Ce rapport présente notre méthode qui remporte le défi de détection 3D nuScenes [17] organisé dans le cadre du Workshop on Autonomous Driving (WAD, CVPR 2019). Généralement, nous utilisons des convolutions 3D éparse pour extraire des caractéristiques sémantiques riches, qui sont ensuite alimentées à un réseau multi-têtes équilibré en classes pour effectuer la détection d'objets 3D. Pour traiter le problème d'imbalance sévère des classes inhérent aux scénarios de conduite autonome, nous avons conçu une stratégie d'échantillonnage et d'augmentation équilibrée en classes afin de générer une distribution de données plus équilibrée. De plus, nous proposons une tête de regroupement équilibrée pour améliorer les performances des catégories ayant des formes similaires. Selon les résultats du défi, notre méthode surpasse largement la ligne de base PointPillars [14] sur tous les métriques, atteignant des performances de détection de pointe sur l'ensemble de données nuScenes. Le code sera publié sur CBGS.