点群分類と分割はロボットナビゲーション、仮想現実、自動運転の分野で広く応用されており、多くの点群処理の深層学習手法は共有重みの多層パーセプトロン（MLP）と単一のプーリングを用いて点群の局所特徴を集約しているが、複雑に配列された点群構造情報を正確に記述することは困難である。これらの課題に対して、形状に適応した点群局所特徴エンコーディング手法を提案し、多様な形状の点群構造情報を効果的に表現し、点群分類と分割の性能を向上させる。本手法はまず、差分と学習可能な調整因子を用いて特徴を強化する適応的特徴強化モジュールを導入し、共有重みMLPの記述能力の不足を補う。さらに、点群の絶対空間距離を利用して異なる点に異なる重みを付与し、形状変化に適応する特徴集約モジュールを設計し、代表的な点群集合を強調して局所構造情報をより正確に記述する。3つの大規模公開点群データセットでの実験により、ModelNet40データセットで全体のインスタンス分類精度93.9％、分割データセットShapeNetおよびS3disでそれぞれ全体インスタンス平均交差率（mIoU）85.9％、59.7％を達成した。本手法は点群分類および分割タスクにおいて優れた性能を示す。

深層学習;点群分類;点群分割;局所特徴集約