Ce travail présente FG-Net, un cadre d’apprentissage profond généraliste pour la compréhension de nuages de points à grande échelle, sans recours à la voxélisation, permettant des performances précises et en temps réel sur une seule carte graphique NVIDIA GTX 1080. Tout d’abord, une nouvelle méthode de filtrage du bruit et des points aberrants est conçue afin de faciliter les tâches de haut niveau ultérieures. Dans un but d’optimisation de la compréhension, nous proposons un réseau neuronal convolutif profond exploitant une recherche de caractéristiques corrélées et une modélisation géométrique-aware basée sur la convolution déformable, permettant ainsi une exploitation complète des relations locales entre caractéristiques et des motifs géométriques. En ce qui concerne l’efficacité, nous introduisons une opération d’échantillonnage inverse selon la densité ainsi qu’une stratégie d’apprentissage résiduel basée sur une pyramide de caractéristiques, permettant respectivement de réduire le coût computationnel et la consommation mémoire. Des expériences étendues sur des jeux de données réels et exigeants démontrent que notre approche surpasser les méthodes de pointe en termes de précision et d’efficacité. En outre, un apprentissage transféré faiblement supervisé est également mené afin de mettre en évidence la capacité de généralisation de notre méthode.