Nous présentons un nouveau cadre de détection d'objets 3D en deux étapes, nommé détecteur d'objets 3D de maillage épars à dense (Sparse-to-Dense 3D Object Detector, STD). La première étape est un réseau de génération de propositions basé sur une approche ascendante qui utilise le nuage de points brut comme entrée pour générer des propositions précises en associant chaque point à une nouvelle ancre sphérique. Il atteint un taux de rappel élevé avec moins de calculs par rapport aux travaux antérieurs. Ensuite, PointsPool est appliqué pour générer les caractéristiques des propositions en transformant les caractéristiques des points internes d'une expression épars à une représentation compacte, ce qui réduit encore davantage le temps de calcul. Dans la prédiction des boîtes englobantes, qui constitue la deuxième étape, nous mettons en œuvre une branche parallèle d'intersection sur union (Intersection-over-Union, IoU) pour améliorer la conscience de la précision de localisation, ce qui entraîne une performance encore meilleure. Nous menons des expériences sur l'ensemble de données KITTI et évaluons notre méthode en termes de détection d'objets 3D et de vue du dessus (Bird's Eye View, BEV). Notre méthode surpass largement les autres méthodes avancées, notamment sur l'ensemble difficile, avec une vitesse d'inférence supérieure à 10 images par seconde (FPS).