Данная работа посвящена исследованию нейронных сетей по классификации трёхмерных объектов и разработке подхода по качественному улучшению обучения классификаторов. Был собран и проанализирован материал на тему обработки облаков точек, исследованы подходы к классификации трёхмерных облаков. В работе проведена классификация облаков точек на базе свёрточных нейронных сетей и с использованием техник аугментации. Полученные результаты проанализированы и сделаны выводы о влиянии аугментации на обучение нейросетевых классификаторов. С помощью генеративной сети синтезированы новые формы облаков точек. По результатам исследования предложен подход, основанный на сочетании использования генеративных моделей и аугментационных сетей, для внедрения в промышленные системы. Данный подход должен снизить вероятность ошибки классификаторов.

This work is devoted to the study of neural networks for the classification of three-dimensional objects and the development of an approach for the qualitative improvement of classifier training. The material on the processing of point clouds was collected and analyzed, approaches to the classification of three-dimensional clouds were investigated. The paper classifies point clouds based on convolutional neural networks and using augmentation techniques. The results obtained are analyzed and conclusions are drawn about the influence of augmentation on the training of neural network classifiers. With the help of a generative network, new forms of point clouds have been synthesized. Based on the results of the study, an approach based on a combination of the use of generative models and augmentation networks for implementation in industrial systems is proposed. This approach should reduce the probability of classifiers error.