点群に対する深層学習に関する先行研究は少数である。Qiらが提唱したPointNetは、この分野における先駆的な研究である。しかし、設計上、PointNetは点が存在する距離空間に由来する局所構造を捉えることができず、細粒度なパターンの認識能力および複雑なシーンへの一般化性能に限界がある。本研究では、入力点群に対してネストされた分割を再帰的に適用するPointNetを用いた階層型ニューラルネットワークを提案する。距離空間の距離情報を活用することで、本ネットワークは段階的に広がる文脈スケールを持つ局所特徴を学習可能となる。さらに、点群は通常、密度が不均一にサンプリングされるという観察に基づき、均一な密度で学習されたネットワークでは性能が著しく低下することに着目し、複数スケールからの特徴を適応的に組み合わせる新たな集合学習層を提案する。実験の結果、本研究で提案するネットワーク「PointNet++」は、深層点群特徴を効率的かつ堅牢に学習できることを示した。特に、3次元点群の難易度の高いベンチマークにおいて、従来の最先端手法を大幅に上回る結果が得られた。