La détection précise d’objets 3D dans des nuages de points basés sur LiDAR est entravée par les défis posés par la sparsité et l’irrégularité des données. Les méthodes existantes tentent d’organiser les points de manière régulière (par exemple par voxélisation), de les passer à travers un réseau neuronal 2D/3D conçu spécifiquement, puis de définir des ancres au niveau de l’objet afin de prédire les décalages des boîtes englobantes 3D à partir des indices collectifs provenant de tous les points appartenant à l’objet d’intérêt. À la différence des méthodes actuelles basées sur des ancres, et en s’appuyant sur la nature même de la sparsité des données, nous observons que même les points situés sur une seule partie d’un objet portent une information sémantique significative concernant l’objet entier. Nous proposons donc, dans cet article, une approche opposée aux méthodes existantes utilisant des ancres au niveau de l’objet. Inspirés par les modèles compositionnels, qui représentent un objet comme une combinaison de parties et de leurs relations spatiales, nous proposons de représenter un objet comme une composition de ses voxels internes non vides, appelés « hotspots », ainsi que des relations spatiales entre ces hotspots. Cette approche donne naissance à une nouvelle représentation appelée Object as Hotspots (OHS). À partir de cette représentation, nous introduisons également une tête de détection sans ancre, accompagnée d’une stratégie originale d’attribution de vérité terrain, conçue pour atténuer l’imbalanced de sparsité des points entre objets, afin d’éviter que le réseau ne se concentre excessivement sur les objets comportant plus de points. Les résultats expérimentaux montrent que notre méthode se distingue particulièrement pour les objets peu denses en points. Notamment, notre approche a obtenu le premier rang sur le benchmark KITTI pour la détection 3D des cyclistes et des piétons, et atteint un niveau d’état de l’art sur le benchmark NuScenes pour la détection 3D.