En tant que tâche fondamentale de l’analyse de nuages de points, la classification est essentielle mais constamment difficile. Pour répondre à certains problèmes non résolus des méthodes existantes, nous proposons un réseau capable de capturer les caractéristiques géométriques des nuages de points afin d’obtenir des représentations améliorées. Pour atteindre cet objectif, d’une part, nous enrichissons explicitement l’information géométrique des points dans l’espace 3D de bas niveau. D’autre part, nous appliquons des architectures basées sur les réseaux de neurones convolutifs (CNN) dans les espaces de caractéristiques de haut niveau afin d’apprendre implicitement le contexte géométrique local. Plus précisément, nous exploitons une structure de rétroaction correctrice d’erreurs pour capturer de manière exhaustive les caractéristiques locales des nuages de points. En outre, un module d’attention fondé sur l’affinité entre canaux aide la carte de caractéristiques à éviter une éventuelle redondance en mettant l’accent sur ses canaux distinctifs. Les résultats obtenus sur des jeux de données de nuages de points synthétiques et réels démontrent l’efficacité et la pertinence de notre réseau. Par rapport à d’autres méthodes de pointe, notre approche parvient à un bon équilibre entre précision et efficacité.