Alors que l’analyse des nuages de points 3D suscite un intérêt croissant, deux problèmes majeurs émergent : l’échelle insuffisante des jeux de données de nuages de points et la faible capacité de généralisation des réseaux. Dans cet article, nous proposons une méthode simple et efficace d’augmentation de données pour les nuages de points, nommée PointCutMix, afin de atténuer ces limitations. Notre approche consiste à déterminer l’affectation optimale entre deux nuages de points, puis à générer de nouvelles données d’entraînement en remplaçant les points d’un échantillon par leurs paires assignées de manière optimale. Deux stratégies de remplacement sont proposées afin de s’adapter aux exigences spécifiques en précision ou en robustesse selon les tâches : l’une consiste à sélectionner aléatoirement tous les points à remplacer, tandis que l’autre consiste à sélectionner les k plus proches voisins d’un point aléatoire unique. Ces deux stratégies améliorent de manière cohérente et significative les performances de divers modèles sur des tâches de classification de nuages de points. En introduisant des cartes de salience pour guider la sélection des points à remplacer, les performances sont encore améliorées. En outre, PointCutMix est validé comme moyen d’accroître la robustesse du modèle face aux attaques par perturbation de points. Il est à noter que, lorsqu’utilisée comme méthode de défense, notre approche surpasse les algorithmes de défense les plus avancés de l’état de l’art. Le code source est disponible à l’adresse suivante : https://github.com/cuge1995/PointCutMix