Nous présentons un cadre simple et général pour l’apprentissage de caractéristiques à partir de nuages de points. Le principal facteur de succès des réseaux de neurones convolutifs (CNN) réside dans l’opérateur de convolution, capable d’exploiter les corrélations spatiales locales dans des données représentées de manière dense sur une grille (par exemple, des images). Toutefois, les nuages de points sont irréguliers et non ordonnés, de sorte que la convolution directe de noyaux sur les caractéristiques associées aux points entraîne une perte d’information sur la forme ainsi qu’une sensibilité à l’ordre des points. Pour remédier à ces problèmes, nous proposons d’apprendre une transformation $\mathcal{X}$X à partir des points d’entrée, dans le but de promouvoir simultanément deux objectifs : le premier consiste à pondérer les caractéristiques associées aux points, le second à permuter les points vers un ordre latent, potentiellement canonique. Par la suite, les opérations classiques de produit élément par élément et de somme, propres à l’opérateur de convolution, sont appliquées aux caractéristiques transformées par $\mathcal{X}$X. La méthode proposée constitue une généralisation des CNN classiques à l’apprentissage de caractéristiques à partir de nuages de points, d’où son nom : PointCNN. Des expériences montrent que PointCNN atteint des performances équivalentes ou supérieures à celles des méthodes de pointe sur plusieurs jeux de données et tâches de benchmark exigeants.