Die herkömmliche Faltung ist aufgrund ihrer Isotropie bezüglich der Merkmale grundsätzlich auf die semantische Segmentierung von Punktwolken beschränkt. Sie vernachlässigt die Struktur eines Objekts, was zu einer schlechten Objektdelineierung und kleinen, irreführenden Regionen im Segmentierungsergebnis führt. In dieser Arbeit wird eine neuartige Graph-Attention-Faltung (GAC) vorgestellt, deren Kerne dynamisch in spezifische Formen geformt werden können, um sich der Struktur eines Objekts anzupassen. Konkret wird GAC so entworfen, dass sie unter Zuweisung geeigneter Aufmerksamkeitsgewichte an verschiedene Nachbarpunkte gezielt auf die relevantesten Teile dieser Punkte fokussiert, basierend auf dynamisch gelernten Merkmalen. Die Form der Faltungskerne ergibt sich dann aus der gelernten Verteilung der Aufmerksamkeitsgewichte. Obwohl die Methode einfach ist, kann GAC strukturierte Merkmale von Punktwolken effektiv erfassen, was eine feinabgestimmte Segmentierung ermöglicht und eine Verunreinigung der Merkmale zwischen verschiedenen Objekten vermeidet. Theoretisch analysieren wir ausführlich die Ausdruckskraft von GAC, um zu zeigen, wie sie Merkmale von Punktwolken erlernen kann. Empirisch evaluieren wir die vorgeschlagene GAC an anspruchsvollen Innen- und Außenbereichs-Datensätzen und erzielen dabei state-of-the-art-Ergebnisse in beiden Szenarien.