Les modèles récents de réseaux de neurones profonds entraînés sur des jeux de données plus petits et moins diversifiés utilisent l’augmentation de données afin de pallier des limitations telles que le surapprentissage, la réduction de la robustesse et une moindre généralisation. Parmi les méthodes les plus courantes, celles basées sur des jeux de données 3D emploient fréquemment des techniques d’augmentation telles que le retrait aléatoire de points, le scaling, la translation, les rotations et le jittering. Toutefois, ces techniques d’augmentation sont fixes et sont généralement appliquées à l’ensemble de l’objet, ignorant ainsi la géométrie locale. En effet, les différentes régions locales sur la surface de l’objet présentent des niveaux variés de complexité géométrique. L’application des mêmes techniques d’augmentation au niveau global de l’objet s’avère donc moins efficace pour enrichir les voisinages locaux aux structures géométriques complexes. Ce papier présente PatchAugment, un cadre d’augmentation de données permettant d’appliquer des techniques d’augmentation différentes aux voisinages locaux. Nos études expérimentales menées sur les modèles PointNet++ et DGCNN démontrent l’efficacité de PatchAugment sur la tâche de classification de nuages de points 3D. Nous avons évalué notre méthode sur ces modèles en utilisant quatre jeux de données de référence : ModelNet40 (synthétique), ModelNet10 (synthétique), SHREC’16 (synthétique) et ScanObjectNN (monde réel).