La détection d'objets 3D à partir d'une seule image constitue une tâche cruciale dans les systèmes de conduite autonome (AD), pour laquelle diverses approches ont été proposées. Toutefois, cette tâche est intrinsèquement ambiguë et difficile, puisque l'estimation de la profondeur à partir d'une seule image représente déjà un problème mal posé. Dans cet article, nous proposons une méthode sensible aux instances pour agréger efficacement des informations utiles afin d'améliorer la précision de la détection d'objets 3D, avec les contributions suivantes. Premièrement, nous introduisons un module d’agrégation de caractéristiques sensibles aux instances (IAFA), conçu pour recueillir à la fois des caractéristiques locales et globales afin de régler les boîtes englobantes 3D. Deuxièmement, nous observons empiriquement que le module d’attention spatiale peut être efficacement appris en utilisant comme signal de supervision des annotations d’instances de niveau grossier. Ce module a considérablement amélioré les performances de la méthode de base, tant pour la détection 3D que pour la détection en vue de dessus (bird’s-eye view) des véhicules, sur les trois catégories considérées. Troisièmement, notre méthode dépasse toutes les approches basées sur une seule image (y compris celles entraînées avec la profondeur comme information auxiliaire) et atteint un résultat de pointe en détection 3D sur le benchmark KITTI.