Afin d’améliorer significativement les performances de la segmentation sémantique des nuages de points, ce manuscrit présente une nouvelle méthode de construction de réseaux à grande échelle ainsi qu’une technique efficace de légerisation. Tout d’abord, un module de traitement des caractéristiques de points latentes (LPFP) est utilisé pour interconnecter des réseaux de base tels que PointNet++ et Point Transformer. Ce module intermédiaire joue un double rôle : il assure le transfert d’informations de caractéristiques et fournit une supervision par étiquettes de vérité terrain. En outre, afin de réduire l’augmentation des coûts computationnels liée à la construction de réseaux à grande échelle et de mieux répondre aux exigences de déploiement sur terminaux, une nouvelle méthode de légerisation des nuages de points pour les réseaux de segmentation sémantique (PCLN) est proposée, permettant de compresser le réseau grâce au transfert d’informations de caractéristiques multidimensionnelles provenant des réseaux à grande échelle. Plus précisément, à différentes étapes du réseau à grande échelle, la structure et les informations d’attention des caractéristiques de points sont sélectionnées pour guider l’entraînement du réseau compressé dans la direction du réseau à grande échelle. Ce travail aborde également le problème de la représentation des informations structurelles globales dans les nuages de points à grande échelle à travers un échantillonnage et une agrégation de caractéristiques. Des expérimentations étendues sur des jeux de données publics et des données réelles démontrent que la méthode proposée améliore de manière significative les performances de différents réseaux de base et dépasse les approches les plus avancées de l’état de l’art.