L'apprentissage profond a obtenu des succès remarquables dans de nombreuses tâches de reconnaissance visuelle 3D, notamment la classification de formes, la détection d'objets et la segmentation sémantique. Cependant, beaucoup de ces résultats reposent sur la collecte manuelle de données 3D du monde réel annotées de manière dense, ce qui est très coûteux en temps et en ressources pour être obtenu, limitant ainsi l'évolutivité des tâches de reconnaissance 3D. Par conséquent, nous étudions la reconnaissance 3D non supervisée et proposons un cadre d'apprentissage auto-supervisé avec autolabelisation pour la reconnaissance 3D (SL3D). SL3D résout simultanément deux objectifs couplés, à savoir le regroupement et l'apprentissage de représentations de caractéristiques afin de générer des données pseudo-étiquetées pour la reconnaissance 3D non supervisée. SL3D est un cadre générique qui peut être appliqué pour résoudre différentes tâches de reconnaissance 3D, y compris la classification, la détection d'objets et la segmentation sémantique. De nombreuses expériences montrent son efficacité. Le code source est disponible à l'adresse suivante : https://github.com/fcendra/sl3d.