L'analyse de nuages de points est très complexe, car la forme implicite dans des points irréguliers est difficile à capturer. Dans cet article, nous proposons RS-CNN, c'est-à-dire le Réseau Neuronal Convolutif Relation-Shape (Relation-Shape Convolutional Neural Network), qui étend le CNN sur grille régulière à une configuration irrégulière pour l'analyse de nuages de points. La clé du RS-CNN réside dans l'apprentissage à partir des relations, autrement dit, la contrainte topologique géométrique entre les points. Plus précisément, le poids convolutif pour un ensemble de points locaux est contraint d'apprendre une expression relationnelle de haut niveau à partir de priorités géométriques prédéfinies, entre un point échantillonné de cet ensemble et les autres. De cette manière, une représentation locale inductive avec une raison explicite sur la disposition spatiale des points peut être obtenue, ce qui confère une grande conscience de la forme et une robustesse accrue. En utilisant cette convolution comme opérateur de base, RS-CNN peut développer une architecture hiérarchique pour réaliser un apprentissage contextuel sensible à la forme pour l'analyse de nuages de points. Des expériences approfondies sur des benchmarks difficiles dans trois tâches différentes vérifient que RS-CNN atteint l'état de l'art.Note : - "点云分析" a été traduit par "analyse de nuages de points".- "Relation-Shape Convolutional Neural Network" a été traduit par "Réseau Neuronal Convolutif Relation-Shape" et expliqué en français.- "geometric topology constraint" a été traduit par "contrainte topologique géométrique".- "spatial layout" a été traduit par "disposition spatiale".- "state of the arts" a été traduit par "l'état de l'art".