L’apprentissage de nouvelles représentations pour les nuages de points 3D constitue un domaine de recherche actif en vision 3D, car la structure des nuages de points, invariante par permutation, continue de poser des défis au design d’architectures de réseaux de neurones. Les travaux récents ont exploré l’apprentissage de caractéristiques globales, locales ou des deux simultanément pour les nuages de points, mais aucune des méthodes antérieures n’a porté spécifiquement sur la capture d’informations contextuelles sur la forme en analysant la distribution d’orientation locale des points. Dans cet article, nous exploitons la distribution d’orientation des points autour d’un point donné afin d’obtenir une représentation locale expressive du voisinage. Cela est réalisé en divisant le voisinage sphérique d’un point donné en volumes coniques prédéfinis, et les statistiques calculées dans chaque volume sont utilisées comme caractéristiques du point. Ainsi, un patch local peut être représenté non seulement par les voisins les plus proches du point sélectionné, mais aussi en tenant compte d’une distribution de densité définie selon plusieurs orientations autour du point. Nous pouvons alors construire un réseau neuronal basé sur une fonction de distribution d’orientation (ODF), nommé ODFNet, dont le bloc fondamental, ODFBlock, repose sur des couches de perceptron multicouche (MLP). Le nouveau modèle ODFNet atteint des performances de pointe pour la classification d’objets sur les jeux de données ModelNet40 et ScanObjectNN, ainsi que pour la segmentation sur le jeu de données ShapeNet S3DIS.