Nous proposons un noyau sphérique pour une convolution de graphes efficace sur des nuages de points 3D. Nos noyaux fondés sur une métrique quantifient systématiquement l’espace local 3D afin d’identifier des relations géométriques distinctives dans les données. De manière similaire aux noyaux des réseaux de neurones convolutifs à grille régulière (CNN), le noyau sphérique préserve les propriétés d’invariance par translation et d’asymétrie : la première garantit le partage des poids entre des structures locales similaires dans les données, tandis que la seconde favorise un apprentissage géométrique fin. Le noyau proposé est intégré dans des réseaux de neurones de graphes sans génération de filtres dépendants des arêtes, ce qui le rend particulièrement avantageux du point de vue computationnel pour les grands nuages de points. Dans nos réseaux de graphes, chaque sommet est associé à une position ponctuelle unique, et les arêtes relient les points voisins situés dans une portée définie. Le graphe est progressivement simplifié au cours du réseau par échantillonnage des points les plus éloignés. À l’instar des CNN classiques, nous définissons des opérations de pooling et d’unpooling pour notre architecture. Nous démontrons l’efficacité du noyau sphérique proposé dans le cadre de réseaux de neurones de graphes pour la classification de nuages de points et la segmentation sémantique, sur les jeux de données ModelNet, ShapeNet, RueMonge2014, ScanNet et S3DIS. Le code source ainsi que les modèles entraînés sont disponibles à l’adresse suivante : https://github.com/hlei-ziyan/SPH3D-GCN.