Les réseaux de neurones convolutifs (CNN) ont connu des progrès considérables en vision par ordinateur 2D. Toutefois, leur structure irrégulière rend difficile l’exploitation directe du potentiel des CNN sur les maillages 3D. Une surface de subdivision offre une structure hiérarchique à multi-résolution, dans laquelle chaque face d’un maillage triangulaire fermé à 2 dimensions est exactement adjacente à trois autres faces. Inspirés par ces deux observations, nous proposons dans cet article SubdivNet, un cadre innovant et polyvalent de CNN dédié aux maillages triangulaires 3D dotés d’une connectivité selon la séquence de subdivision de Loop. En établissant une analogie entre les faces du maillage et les pixels d’une image 2D, nous introduisons un opérateur de convolution sur maillage permettant d’agréger des caractéristiques locales provenant des faces voisines. En exploitant les voisinages des faces, cette convolution peut supporter des concepts classiques des réseaux convolutifs 2D, tels que la taille variable du noyau, le pas (stride) et la dilatation. Grâce à la hiérarchie à multi-résolution, nous utilisons des couches de pooling qui fusionnent uniformément quatre faces en une seule, ainsi qu’une méthode d’interpolation qui divise une face en quatre. Ainsi, de nombreuses architectures de CNN 2D populaires peuvent être facilement adaptées pour traiter des maillages 3D. Les maillages possédant une connectivité arbitraire peuvent être rémaillés afin d’obtenir une connectivité selon la séquence de subdivision de Loop grâce à une auto-paramétrisation, ce qui rend SubdivNet une approche générale. Des évaluations étendues et diverses applications démontrent l’efficacité et l’efficience de SubdivNet.