Tiefensensoren, die in autonomen Fahrsystemen und Gaming-Systemen eingesetzt werden, liefern häufig 3D-Punktwolken zurück. Aufgrund des fehlenden strukturellen Aufbaus dieser Sensoren können diese Systeme die jüngsten Fortschritte in der Entwicklung von Faltungsneuralen Netzen (Convolutional Neural Networks, CNNs) nicht nutzen, da diese auf herkömmliche Filter- und Pooling-Operationen angewiesen sind. Ähnlich wie bei bildbasierten architektonischen Ansätzen ermöglichen kürzlich vorgestellte graphbasierte Architekturen vergleichbare Filter- und Pooling-Operationen auf beliebigen Graphen. Wir übertragen diese graphbasierten Methoden auf 3D-Punktwolken und stellen eine generische Vektorrepräsentation von 3D-Graphen vor, die wir Graph 3D (G3D) nennen. Wir sind überzeugt, dass wir die ersten sind, die großskaliges Transferlernen auf 3D-Punktwolken-Daten anwenden und die diskriminative Leistungsfähigkeit unserer herausragenden latente Darstellung von 3D-Punktwolken an unerwarteten Testsets demonstrieren. Durch die Verwendung unseres G3D-Netzwerks (G3DNet) als Merkmalsextraktor und die anschließende Kombination der G3D-Merkmalsvektoren mit einem herkömmlichen Klassifikator erreichen wir die beste Genauigkeit bei ModelNet10 (93,1 %) und ModelNet40 (91,7 %) für ein Graph-Netzwerk und vergleichbare Ergebnisse auf dem Sydney Urban Objects-Datensatz im Vergleich zu anderen Methoden. Dieser allgemein einsetzbare Merkmalsextraktor kann als vorgefertigtes Bauelement in anderen Arbeiten zur 3D-Szenenverstehens oder Objektverfolgung verwendet werden.