Peu d’études antérieures ont exploré l’apprentissage profond sur des ensembles de points. PointNet, proposé par Qi et al., est une pionnière dans cette direction. Toutefois, du fait de sa conception, PointNet ne parvient pas à capturer les structures locales induites par l’espace métrique dans lequel les points sont plongés, ce qui limite sa capacité à reconnaître des motifs fins et sa généralisation à des scènes complexes. Dans ce travail, nous introduisons un réseau neuronal hiérarchique qui applique PointNet de manière récursive sur une partition imbriquée de l’ensemble de points d’entrée. En exploitant les distances de l’espace métrique, notre réseau est capable d’apprendre des caractéristiques locales à des échelles contextuelles croissantes. En observant par ailleurs que les ensembles de points sont généralement échantillonnés avec des densités variables — ce qui entraîne une baisse significative des performances des réseaux entraînés sur des densités uniformes —, nous proposons de nouvelles couches d’apprentissage d’ensembles capables d’adapter la combinaison des caractéristiques issues de plusieurs échelles. Les expérimentations montrent que notre réseau, nommé PointNet++, est capable d’apprendre efficacement et robustement des caractéristiques profondes sur des ensembles de points. En particulier, des résultats nettement supérieurs aux états de l’art ont été obtenus sur des benchmarks exigeants de nuages de points 3D.