Dengan berkembangnya popularitas berbagai sensor 3D, hal ini menyebabkan kita lebih mudah untuk mendapatkan 3D point cloud. Karena begitu banyaknya aplikasi yang menghasilkan point cloud, para ilmuwan telah memindahkan perhatian mereka pada point cloud. penelitian-penelitian yang dilakukan seperti : Pengenalan objek 3D, Segmentasi objek 3D, segmentasi semantik dan lain-lain. Namun sangat sulit untuk mendapatkan pendeskripsi obyek 3D yang optimal.

1. Model arsitekturnya

2. Konsturksi graph Neighborhood

3. Filter graph neighborhood

4. learning graph neighborhood

5. Desain jaringan aristektur

Penulis membuat end-to-end deep learning network yang biasa disebut Point NGCNN yang bisa menggunakan point clouds untuk pengenalan Objek 3D dan Tugas Segmentasi. Untuk memanfaatkan fitur Geometri Neighborhood, dibuatlah struktur neighborhood graph yang mencerminkan hubungan antara neighborhood point lalu menggunakan Polinomial Chebyshev sebagai filter neighborhood. Lebih lanjut lagi digunakan matrik obyek dan matriks laplacian dari setiap neighborhood ke dalam jaringan  dan menggunakan max pooling operation  untuk mendapatkan fitur dari setiap titik tengah.

Hasil eksperimen pada patokan set data mendemonstrasikan kalau PointNGCNN telah mendapatkan hasil yang bagus pada pengenalan dan segmentasi objek.