I de siste årene har 3D-figur data blitt lettere å få tak i, delvis grunnet kommersielle sensorer og utbredt bruk av 3D-printere. Det er derfor ønskelig å ta i bruk dyp-læringsmetoder, som har vist seg å være anvendbare for mange ulike formål, og tilpasse de til 3D data. Den uregelmessige størrelsen på 3D data gjør det dessverre vanskelig å overføre disse teknikkene direkte. Kanskje er det mulig å ta i bruk 3D egenskapsbeskrivelser som et omformingssteg for å regularisere dataen? Eksperimenter der Siamesiske nevrale nettverk ble trent opp på Spin Images, Viewpoint Feature Histogram og Fast Point Feature Histogram, viser at det ikke bare er mulig, men det gir mer presise resultater sammenlignet med en mer primitiv punktsky trimmingsmetode. Ikke nok er det, men 3D egenskapsbekrivelser kan også hjelpe til å redusere størrelsen på nevrale nettverk, uten å ofre nøyaktighet. Dette bidrar til å gjøre det raskere for nettverkene å trenes opp og å gjøre prognoser.