La compréhension précise et rapide des scènes est l'une des tâches les plus complexes pour la conduite autonome, qui nécessite d'exploiter pleinement les nuages de points LiDAR pour la segmentation sémantique. Dans cet article, nous présentons un réseau de segmentation sémantique basé sur les images, \textbf{concis} et \textbf{efficace}, nommé \textbf{CENet}. Pour améliorer la puissance descriptive des caractéristiques apprises et réduire la complexité computationnelle ainsi que temporelle, notre CENet intègre dans son architecture des convolutions avec une taille de noyau plus grande au lieu de MLP (Multi-Layer Perceptron), des fonctions d'activation soigneusement sélectionnées, et plusieurs têtes de segmentation auxiliaires avec leurs fonctions de perte correspondantes. Les expériences quantitatives et qualitatives menées sur des benchmarks publiquement disponibles, à savoir SemanticKITTI et SemanticPOSS, montrent que notre pipeline atteint des performances en mIoU (Mean Intersection over Union) et en inférence nettement meilleures que celles des modèles de pointe. Le code sera disponible sur https://github.com/huixiancheng/CENet.