Ce travail propose une approche computationnellement efficace pour la détection d'objets en 3D dans des nuages de points, utilisant des réseaux de neurones convolutifs (CNNs). Plus précisément, cela est réalisé en exploitant un schéma de vote centré sur les caractéristiques pour mettre en œuvre des couches convolutives novatrices qui exploitent explicitement la parcimonie rencontrée dans l'entrée. À cette fin, nous examinons le compromis entre précision et vitesse pour différentes architectures et proposons également d'utiliser une pénalité L1 sur les activations des filtres pour encourager davantage la parcimonie dans les représentations intermédiaires. Selon nos connaissances, c'est la première étude à proposer des couches convolutives éparse et une régularisation L1 pour un traitement efficace à grande échelle des données 3D. Nous démontrons l'efficacité de notre approche sur le banc d'essai de détection d'objets KITTI et montrons que les modèles Vote3Deep avec seulement trois couches surpassent l'état de l'art précédent dans les approches basées sur le lidar et le lidar-vision, avec des marges allant jusqu'à 40%, tout en restant hautement compétitifs en termes de temps de traitement.