Nous présentons un nouveau cadre de détection d'objets 3D, nommé IPOD, basé sur des nuages de points bruts. Ce cadre génère une proposition d'objet pour chaque point, qui est l'élément de base. Cette approche nous offre un taux de rappel élevé et une fidélité des informations élevée, ce qui constitue une méthode appropriée pour traiter les données de nuage de points. Nous avons conçu une architecture entièrement apprenable par apprentissage automatique, dans laquelle les caractéristiques de tous les points au sein d'une proposition sont extraites à partir du réseau principal et aboutissent à une caractéristique de proposition pour l'inférence finale des boîtes englobantes. Ces caractéristiques, combinées aux informations contextuelles et aux coordonnées précises du nuage de points, améliorent les performances. Nous avons mené des expériences sur le jeu de données KITTI, évaluant nos performances en termes de détection d'objets 3D, détection en vue du dessus (BEV) et détection d'objets 2D. Notre méthode atteint un nouveau niveau d'état de l'art, montrant un avantage significatif sur l'ensemble difficile.