下图还显示了抽取的特征与概率图的加权结果，下图显示了二维情况下的t－SNE结果，可以看到四类不同目标点云的嵌入空间在16个结构点下对应的语义分类结果，学习到的特征具有显著的聚类特性，同时还具有对成分布的特征，这主要是由于PointNet＋＋不具有对称不变性，添加对成不变性损失也是未来改进的方向之一：
为了验证模型对于不同密度输入点云的鲁棒性，研究人员分别输入了256，1024，2048，4096数量的点云，下图中第一行的彩色点表示了16个结构点，第二行是1024个稠密结构点，显示了模型对于不同输入密度的鲁棒性：
此外对于非均匀分布的点云（上）和真实情况下包含很多噪声的扫描点（下）都具有良好的性能：
