La biometría se ha convertido en un tema de investigación importante en los últimos años, y el uso de redes neuronales de aprendizaje profundo ha hecho posible desarrollar sistemas de reconocimiento más fiables y eficientes. Las palmas han sido identificadas como uno de los candidatos más prometedores entre varias biometrías debido a sus características únicas y fácil accesibilidad. Sin embargo, los métodos tradicionales de reconocimiento de palmas implican nubes de puntos 3D, que pueden ser complejas y difíciles de manejar. Para mitigar este desafío, este documento propone dos métodos: Proyección Multi-Vista (MVP) y Bloque Residual Invertido Ligero (LIRB). El MVP simula diferentes ángulos que los observadores utilizan para observar palmas en la realidad. Transforma nubes de puntos 3D en múltiples imágenes 2D y reduce eficazmente la pérdida de mapeo de datos 3D a datos 2D. Por lo tanto, el MVP puede reducir en gran medida la complejidad del sistema. En experimentos, el MVP demostró un rendimiento notable en varios modelos famosos, como VGG o MobileNetv2, con una mejora particular en el rendimiento de modelos más pequeños. Para mejorar aún más el rendimiento de los modelos pequeños, este documento aplica LIRB para construir una CNN 2D ligera llamada Tiny-MobileNet (TMBNet). El TMBNet tiene solo unas pocas capas convolucionales, pero supera a las líneas base 3D PointNet y PointNet++ en FLOPs y precisión. Los resultados experimentales muestran que el método propuesto puede mitigar eficazmente los desafíos de reconocer palmas a través de nubes de puntos 3D de palmas. El método propuesto no solo reduce la complejidad del sistema, sino que también amplía el uso de CNN ligeras. Estos hallazgos tienen implicaciones significativas para el desarrollo de la biometría y podrían llevar a mejoras en varios campos, como el control de acceso y el control de seguridad.