La segmentation sémantique constitue une composante essentielle des systèmes de perception des véhicules autonomes. Dans ce travail, nous exploitons les avancées récentes tant en segmentation d’images qu’en segmentation de nuages de points afin d’améliorer la précision de la segmentation des scans LiDAR. KPRNet améliore l’architecture des réseaux de neurones convolutifs utilisée dans les méthodes de projection 2D et remplace les techniques de post-traitement couramment employées par un composant ponctuel apprenable basé sur KPConv, permettant ainsi d’obtenir des étiquettes 3D plus précises. Grâce à ces améliorations, notre modèle dépasse la méthode actuellement la plus performante sur le benchmark SemanticKITTI, atteignant un mIoU de 63,1.