Wir stellen einen neuartigen zweistufigen, vollständig sparsamen convolutionalen 3D-Objektdetektionsansatz namens CAGroup3D vor. Unsere vorgeschlagene Methode generiert zunächst eine Reihe hochwertiger 3D-Vorschläge, indem sie die klassenbewusste lokale Gruppenstrategie auf Objektoberflächen-Voxels mit identischen semantischen Vorhersagen anwendet. Dies berücksichtigt sowohl die semantische Konsistenz als auch die Vielfalt der Lokalität, die in früheren bottom-up-Ansätzen vernachlässigt wurden. Anschließend bauen wir ein vollständig sparsames RoI-Pooling-Modul mit convolutionalen Schichten, um die Merkmale verpasster Voxels – verursacht durch fehlerhafte voxelweise Segmentierung – wiederherzustellen. Dieses Modul aggregiert direkt feinkörnige räumliche Informationen aus dem Backbone, um die Vorschläge weiter zu verfeinern. Es ist sowohl speicher- als auch rechen-effizient und ermöglicht eine bessere Kodierung geometrie-spezifischer Merkmale jedes 3D-Vorschlags. Unser Modell erreicht eine state-of-the-art-Leistung bei der 3D-Objektdetektion mit beachtlichen Verbesserungen von +\textit{3,6%} auf ScanNet V2 und +\textit{2,6%} auf SUN RGB-D in Bezug auf mAP@0,25. Der Quellcode wird unter https://github.com/Haiyang-W/CAGroup3D verfügbar sein.