Un nuage de points est un type important de structure de données géométriques. En raison de sa forme irrégulière, la plupart des chercheurs transforment ces données en grilles 3D régulières de voxels ou en ensembles d’images. Cependant, cette transformation rend les données inutilement volumineuses et engendre des problèmes. Dans cet article, nous proposons un nouveau type de réseau neuronal capable de traiter directement les nuages de points tout en respectant pleinement l’invariance par permutation des points en entrée. Notre réseau, nommé PointNet, offre une architecture unifiée pour des applications allant de la classification d’objets à la segmentation de parties et à l’analyse sémantique de scènes. Bien que simple, PointNet est hautement efficace et performant. Expérimentalement, il atteint des résultats remarquables, comparables voire supérieurs à ceux des méthodes les plus avancées à ce jour. Théoriquement, nous fournissons une analyse visant à comprendre ce que le réseau a appris, ainsi que les raisons de sa robustesse face aux perturbations et aux dégradations des données d’entrée.