La classification robuste des nuages de points est essentielle pour les applications du monde réel, car les capteurs 3D de type grand public produisent souvent des données partielles et bruitées, altérées par divers artefacts. Dans ce travail, nous proposons un cadre général d’ensemble fondé sur un échantillonnage de nuages de points partiels. Chaque membre de l’ensemble n’est exposé qu’à des données d’entrée partielles. Trois stratégies d’échantillonnage sont utilisées conjointement : deux stratégies locales basées sur des patches et des courbes, et une stratégie globale d’échantillonnage aléatoire. Nous démontrons la robustesse de notre méthode face à diverses dégradations locales et globales. Nous montrons que notre cadre améliore significativement, de manière marquée, la robustesse des réseaux de classification de pointe. Notre configuration expérimentale repose sur la base de données ModelNet-C récemment introduite par Ren et al. [24], où nous atteignons l’état de l’art (SOTA) aussi bien sur des données non augmentées que sur des données augmentées. Notre erreur moyenne de corruption (mCE) sur des données non augmentées est de 0,64 (l’état de l’art actuel est de 0,86), et de 0,50 sur des données augmentées (l’état de l’art actuel est de 0,57). Nous analysons et expliquons ces résultats remarquables à travers une analyse de diversité. Notre code est disponible à l’adresse suivante : https://github.com/yossilevii100/EPiC