ابر نقطه به عنوان یک نمایش مناسب برای داده های سه بعدی پذیرفته شده است؛ که بیشتر حسگرها و سنسورهای 3-بعدی قابلیت تولید این نوع داده را دارند. با پیشرفت های اخیر در تولید این نوع سنسور ها، آنالیز ابر نقطه تبدیل به یک زمینه تحقیقاتی مهم در حوزه بینایی ماشین شده است که طیف وسیعی از کاربردها به خصوص در حوزه رباتیک (مانند ماشین های خودران) را شامل می شود. به دلیل ماهیت نامنظم ابر نقاط، آنالیز این نوع داده با استفاده از الگوریتم های یادگیری عمیق دارای چالش های زیادی است. جهت حل این چالش ها، بیشتر روش های پیشین ابر نقاط را به داده های منظم سه بعدی (مانند وکسل) و یا دو بعدی (مانند تصویر) تبدیل می کنند؛ که این تبدیلات منجر به پردازش های اضافی در این روش ها خواهد شد. از این رو، معماری PointNet با استفاده از شبکه عصبی عمیق، برای آنالیز مستقیم ابر نقطه خام معرفی شده است. این معماری از مزیت های همسایگی برای استخراج ارتباط مکانی محلی نقاط به خوبی استفاده نکرده است. در این پایان نامه روشی برای بهبود PointNet، با الهام از عملیات ضرب پیچشی توسط مفهوم فاصله نقطه از صفحه در فضا برای استخراج این ارتباط فضایی محلی، بر روی داده های ابر نقطه ارائه شده است. روش پیشنهادی، جهت ارزیابی وظایف طبقه بندی، قطعه بندی اجزا و قطعه بندی معنایی صحنه بر روی چهار مجموعه داده ModelNet-40، MNIST، ShapeNet-Part و S3DIS اعمال شده است. نتایج نشان می دهد که روش پیشنهادی به کارایی قابل قبولی در مقایسه با روش های پیشین در تمامی وظایف دست یافته است.
