Dieses Papier stellt Point-GN vor, ein neuartiges nichtparametrisches Netzwerk für effiziente und genaue Klassifikation von 3D-Punktwolken. Im Gegensatz zu herkömmlichen tiefen Lernmodellen, die auf einer großen Anzahl von trainierbaren Parametern basieren, nutzt Point-GN nicht-trainierbare Komponenten – speziell die Fernste-Punkt-Abtastung (Farthest Point Sampling, FPS), k-nächste Nachbarn (k-Nearest Neighbors, k-NN) und Gaußsche Positionscodierung (Gaussian Positional Encoding, GPE) – um sowohl lokale als auch globale geometrische Merkmale zu extrahieren. Diese Gestaltung beseitigt das Bedürfnis nach zusätzlicher Schulung und gewährleistet dennoch eine hohe Leistungsfähigkeit, was Point-GN besonders für Echtzeit-Anwendungen unter Ressourcenbeschränkungen geeignet macht. Wir evaluieren Point-GN anhand zweier Benchmark-Datensätze, ModelNet40 und ScanObjectNN, wobei wir Klassifikationsgenauigkeiten von 85,29 % und 85,89 % erzielen, während die rechnerische Komplexität erheblich reduziert wird. Point-GN übertrifft bestehende nichtparametrische Methoden und erreicht die Leistung vollständig trainierter Modelle, alles ohne lernfähige Parameter. Unsere Ergebnisse zeigen, dass Point-GN eine vielversprechende Lösung für die Klassifikation von 3D-Punktwolken in praktischen Echtzeit-Umgebungen darstellt.