Avec la prévalence d’appareils équipés de technologies d’acquisition de données 3D (c’est-à-dire de capteurs de couleur et de profondeur), la compréhension de scènes 3D à partir de données scannées a été considérée comme un attrait significatif. En outre, les réseaux neuronaux profonds (RNP) ont montré des performances remarquables dans diverses applications 3D, telles que la construction de modèles d’information sur les bâtiments (BIM) à partir de données 3D numérisées (c’est-à-dire de la numérisation à la BIM). Cependant, plusieurs problèmes, tels que le manque de données étiquetées pour l’entraînement des DNN, la mauvaise extraction des descripteurs de caractéristiques pour la reconnaissance d’objets et les approches inefficaces pour la reconstruction paramétrique, remettent en question l’utilisation efficace des DNN pour la numérisation vers la BIM. Pour surmonter les problèmes susmentionnés, nous étudions dans cette recherche un cadre en deux étapes pour effectuer une reconstruction de scène basée sur la BIM à partir de données numérisées. En particulier, dans la première étape, nous étudions un détecteur d’objets semi-supervisé avec une colonne vertébrale d’extraction de caractéristiques de nuages de points (PC) tenant compte de la géométrie. Dans un deuxième temps, nous visons à développer une approche d’extraction d’objets Industry Foundation Class (IFC) pour faire correspondre l’objet détecté dans la scène scannée avec les objets paramétriques IFC pré-enregistrés. Le cadre proposé exploite les performances remarquables des DNN pour comprendre les scènes paramétriques à partir des données scannées et permet une reconstruction BIM “telle quelle” sans nécessiter les méthodes traditionnelles à forte intensité de main-d’œuvre.