Les détecteurs mono-stade existants pour la localisation d'objets dans les nuages de points traitent souvent la localisation des objets et leur classification en catégories comme des tâches distinctes, ce qui peut entraîner un décalage entre la précision de la localisation et la confiance de la classification. Pour remédier à ce problème, nous présentons un nouveau détecteur mono-stade nommé le Détecteur Mono-Stade Conscient de l'IoU et Confiant (CIA-SSD). Tout d'abord, nous concevons un module d'agrégation de caractéristiques spatiales et sémantiques léger afin de fusionner de manière adaptative les caractéristiques sémantiques abstraites de haut niveau et les caractéristiques spatiales de bas niveau pour des prédictions précises des boîtes englobantes et de la confiance de classification. De plus, la confiance prédite est corrigée par notre module de correction de confiance conscient de l'IoU, afin que cette confiance soit plus cohérente avec la précision de la localisation. Sur la base de cette confiance corrigée, nous formulons une suppression non maximale (NMS) pondérée par l'IoU variant selon la distance, permettant d'obtenir des régressions plus fluides et d'éviter les prédictions redondantes. Nous expérimentons le CIA-SSD sur la détection 3D des voitures dans l'ensemble de test KITTI et montrons qu'il atteint des performances optimales en termes du métrique officielle du classement (AP modéré 80,28 %) et une vitesse d'inférence supérieure à 32 FPS, surpassant tous les détecteurs mono-stade précédents. Le code est disponible à l'adresse suivante : https://github.com/Vegeta2020/CIA-SSD.