ScanNet200 3D Semantic Instance Results

The 3D semantic instance prediction task involves detecting and segmenting the object in an 3D scan mesh.

Evaluation and metrics

Similarly to the ScanNet benchmark in ScanNet200 our evaluation ranks all methods according to the average precision for each class. We report the mean average precision AP at overlap 0.25 (AP 25%), overlap 0.5 (AP 50%), and over overlaps in the range [0.5:0.95:0.05] (AP) for all 200 categories. Note that multiple predictions of the same ground truth instance are penalized as false positives.

This table lists the benchmark results for the ScanNet200 3D semantic instance scenario.

Method	avg ap	head ap	common ap	tail ap	chair	table	door	couch	cabinet	shelf	desk	office chair	bed	pillow	sink	picture	window	toilet	bookshelf	monitor	curtain	book	coffee table	box	refrigerator	lamp	kitchen cabinet	towel	clothes	tv	nightstand	counter	dresser	stool	cushion	plant	ceiling	bathtub	end table	dining table	keyboard	bag	backpack	toilet paper	printer	tv stand	whiteboard	blanket	shower curtain	trash can	closet	stairs	microwave	stove	shoe	computer tower	bottle	bin	bench	board	washing machine	mirror	copier	basket	sofa chair	file cabinet	fan	laptop	shower	paper	person	paper towel dispenser	oven	blinds	rack	plate	blackboard	piano	suitcase	radiator	recycling bin	wardrobe	soap dispenser	telephone	bucket	clock	stand	light	laundry basket	pipe	clothes dryer	seat	speaker	column	bicycle	ladder	bathroom stall	shower wall	cup	jacket	storage bin	coffee maker	dishwasher	paper towel roll	machine	mat	windowsill	bar	toaster	bulletin board	ironing board	kitchen counter	doorframe	toilet paper dispenser	mini fridge	fire extinguisher	ball	hat	shower curtain rod	water cooler	paper cutter	tray	ledge	mouse	cart	storage container	scale	tissue box	light switch	power outlet	decoration	sign	projector	vacuum cleaner	candle	plunger	stuffed animal	headphones	dish rack	broom	range hood	water bottle	vent	shower floor	water pitcher	mailbox	bowl	paper bag	music stand	projector screen	laundry detergent	object	bathroom vanity	laundry hamper	bathroom stall door	ceiling light	trash bin	dumbbell	stair rail	tube	bathroom cabinet	closet rod	coffee kettle	structure	shower head	keyboard piano	case of water bottles	coat rack	storage organizer	folded chair	fire alarm	power strip	calendar	poster

Volt-SPFormer	0.367 3	0.475 3	0.359 3	0.248 2	0.678 4	0.494 4	0.736 1	0.689 4	0.416 4	0.170 6	0.484 2	0.008 6	0.663 4	0.575 2	0.524 1	0.787 1	0.418 3	0.928 2	0.550 1	0.684 6	0.470 5	0.308 3	0.685 1	0.193 4	0.799 1	0.565 1	0.365 4	0.560 4	0.144 5	0.682 3	0.556 5	0.052 3	0.663 1	0.417 9	0.000 5	0.527 5	0.609 3	1.000 1	0.299 1	0.000 8	0.831 1	0.051 6	0.635 3	0.524 1	0.650 5	1.000 1	0.442 4	0.235 2	0.873 3	0.817 3	0.004 6	0.383 9	0.693 2	0.469 2	0.348 4	0.682 4	0.380 2	0.012 6	0.400 7	0.240 7	0.664 2	0.284 3	1.000 1	0.125 3	0.329 4	0.660 3	0.717 1	0.318 3	0.250 4	0.029 3	0.340 2	0.748 2	0.333 6	0.407 2	0.000 3	0.017 6	0.556 2	1.000 1	0.552 1	0.549 2	0.238 3	0.099 5	0.821 3	0.515 5	0.000 4	0.000 5	0.014 1	0.232 4	0.111 1	0.013 6	0.333 4	0.002 5	0.000 7	0.139 7	0.389 7	0.822 1	0.029 5	0.551 1	0.247 5	0.230 5	0.000 3	0.719 2	0.378 5	0.500 2	0.778 1	0.400 3	0.117 5	0.000 4	0.388 1	0.439 6	0.278 3	0.192 6	0.241 3	0.537 6	0.588 5	0.466 3	0.333 2	0.000 2	1.000 1	0.395 4	1.000 1	0.000 1	0.013 5	0.000 4	0.254 5	0.000 3	0.556 2	0.710 1	0.000 5	0.500 1	0.304 3	0.000 3	0.000 3	0.864 1	0.000 1	0.502 1	0.000 1	0.500 3	0.588 2	0.000 1	0.655 4	0.000 1	0.000 1	0.652 3	0.764 2	0.112 8	0.250 3	0.278 4	0.000 1	0.222 4	0.000 1	0.050 6	0.528 3	0.533 1	0.345 6	0.638 1	0.167 8	0.066 10	0.117 2	0.019 4	0.000 1	0.113 5	0.000 1	0.000 2	0.444 1	0.556 1	0.000 3	0.028 3	0.000 2	0.156 4	0.000 5	0.167 1	1.000 1	0.000 2
Kadir Yilmaz, Adrian Kruse, Tristan Höfer, Daan de Geus, Bastian Leibe: Volume Transformer: Revisiting Vanilla Transformers for 3D Scene Understanding.
ACGP-ScanNet200	0.381 2	0.486 2	0.362 2	0.275 1	0.643 7	0.543 1	0.676 2	0.647 9	0.365 6	0.284 1	0.435 4	0.031 4	0.649 5	0.449 5	0.514 2	0.782 2	0.400 5	0.895 5	0.480 3	0.772 2	0.423 8	0.291 4	0.678 3	0.242 2	0.753 5	0.524 3	0.412 2	0.694 2	0.209 1	0.612 7	0.444 8	0.080 1	0.329 4	0.395 10	0.000 5	0.538 4	0.608 4	1.000 1	0.062 8	0.903 1	0.733 5	0.133 2	0.597 4	0.388 6	0.795 2	1.000 1	0.466 2	0.179 4	0.926 2	0.824 2	0.007 4	0.494 5	0.652 3	0.391 5	0.330 5	0.779 1	0.114 7	0.032 3	0.497 5	0.307 5	0.752 1	0.314 1	1.000 1	0.394 2	0.346 2	0.673 2	0.462 2	0.313 4	0.778 2	0.077 1	0.454 1	0.635 4	0.486 2	0.170 4	0.001 2	0.069 5	0.556 2	0.500 3	0.546 2	0.686 1	0.541 1	0.461 2	0.821 2	0.548 3	0.037 1	0.009 2	0.000 5	0.301 2	0.000 2	0.018 5	0.304 5	0.007 4	0.197 2	0.248 5	0.792 4	0.581 3	0.008 9	0.380 3	0.288 4	0.336 1	0.000 3	0.731 1	0.400 2	0.500 2	0.194 3	0.600 1	0.112 7	0.500 1	0.240 6	0.512 4	0.000 6	0.312 2	0.247 1	0.569 5	0.677 2	0.574 1	0.333 2	0.000 2	0.792 5	0.486 2	1.000 1	0.000 1	0.037 4	0.000 4	0.396 4	0.000 3	0.556 2	0.438 3	0.036 3	0.146 7	0.396 2	0.000 3	0.000 3	0.832 3	0.000 1	0.406 4	0.000 1	0.365 5	0.499 4	0.000 1	0.815 2	0.000 1	0.000 1	0.785 1	0.850 1	0.143 6	1.000 1	0.472 2	0.000 1	0.139 7	0.000 1	0.104 1	0.512 4	0.349 5	0.483 2	0.184 5	0.197 7	0.500 1	0.065 6	0.060 3	0.000 1	0.271 2	0.000 1	0.000 2	0.444 1	0.556 1	0.000 3	0.000 5	0.000 2	0.252 3	0.144 2	0.014 3	1.000 1	0.002 1
Rongkun Yang, Ye Zhang, Longguang Wang, Zhiheng Fu, Lian Xu, Yulan Guo: Beyond Context Bias: Adaptive Instance Placement for Robust 3D Instance Segmentation.
AQ3D-ScanNet200	0.385 1	0.522 1	0.374 1	0.234 3	0.759 2	0.510 3	0.671 3	0.754 1	0.469 1	0.221 4	0.507 1	0.303 2	0.687 3	0.578 1	0.462 4	0.777 3	0.455 2	0.923 4	0.492 2	0.771 3	0.670 1	0.358 1	0.683 2	0.209 3	0.799 2	0.554 2	0.435 1	0.590 3	0.203 3	0.704 2	0.655 1	0.030 6	0.520 2	0.455 4	0.150 3	0.681 2	0.641 2	1.000 1	0.077 6	0.020 7	0.748 4	0.127 3	0.698 1	0.448 5	0.667 4	1.000 1	0.406 6	0.239 1	0.928 1	0.825 1	0.005 5	0.773 1	0.585 4	0.398 4	0.422 1	0.676 5	0.147 6	0.013 5	0.527 4	0.458 1	0.618 3	0.231 5	1.000 1	0.574 1	0.331 3	0.733 1	0.451 3	0.363 2	1.000 1	0.066 2	0.267 5	0.801 1	0.556 1	0.148 5	0.132 1	0.000 7	0.533 5	1.000 1	0.532 3	0.501 4	0.475 2	0.664 1	0.792 5	0.617 2	0.009 2	0.009 3	0.000 5	0.341 1	0.000 2	0.028 2	0.296 6	0.029 2	0.158 3	0.139 7	0.889 2	0.598 2	0.023 6	0.454 2	0.306 3	0.276 3	0.000 2	0.399 6	0.570 1	0.083 5	0.438 2	0.400 3	0.551 1	0.500 1	0.367 2	0.548 3	0.337 1	0.304 3	0.224 4	0.657 3	0.658 4	0.292 6	0.500 1	0.000 2	1.000 1	0.333 8	1.000 1	0.000 1	0.075 3	0.000 4	0.451 2	0.000 3	0.556 2	0.395 4	0.000 5	0.140 8	0.025 8	0.000 3	0.000 3	0.864 1	0.000 1	0.479 2	0.000 1	0.424 4	0.565 3	0.000 1	0.856 1	0.000 1	0.000 1	0.482 7	0.667 3	0.125 7	0.167 5	0.667 1	0.000 1	0.444 2	0.000 1	0.052 5	0.549 2	0.468 3	0.383 5	0.073 6	0.410 2	0.333 2	0.101 3	0.083 2	0.000 1	0.299 1	0.000 1	0.000 2	0.444 1	0.444 6	0.000 3	0.037 2	0.000 2	0.156 4	0.141 3	0.000 4	0.167 7	0.000 2

CompetitorFormer-200	0.328 5	0.439 4	0.303 5	0.223 5	0.771 1	0.456 6	0.663 4	0.673 5	0.259 7	0.182 5	0.455 3	0.373 1	0.722 2	0.504 4	0.450 6	0.774 4	0.469 1	0.945 1	0.380 5	0.820 1	0.479 4	0.312 2	0.641 5	0.143 6	0.786 4	0.346 5	0.356 5	0.534 6	0.120 7	0.658 4	0.655 2	0.049 4	0.464 3	0.428 8	0.014 4	0.465 8	0.650 1	0.850 6	0.076 7	0.083 6	0.808 2	0.044 7	0.543 5	0.271 7	0.712 3	1.000 1	0.454 3	0.183 3	0.831 4	0.730 6	0.010 3	0.471 6	0.575 5	0.421 3	0.390 3	0.663 6	0.192 5	0.047 1	0.820 1	0.243 6	0.441 6	0.303 2	1.000 1	0.000 6	0.277 5	0.620 4	0.427 4	0.312 5	0.000 9	0.011 5	0.123 6	0.569 6	0.430 4	0.562 1	0.000 3	0.353 2	0.083 6	0.500 3	0.358 6	0.396 6	0.120 6	0.082 6	0.868 1	0.518 4	0.000 4	0.004 4	0.001 4	0.137 7	0.000 2	0.019 4	0.366 2	0.000 6	0.083 4	0.500 2	0.444 6	0.119 8	0.099 1	0.110 7	0.400 1	0.178 6	0.000 3	0.689 3	0.400 2	0.125 4	0.065 4	0.314 7	0.384 2	0.044 3	0.256 4	0.484 5	0.333 2	0.345 1	0.243 2	0.632 4	0.487 6	0.013 8	0.333 2	0.000 2	1.000 1	0.472 3	0.835 4	0.000 1	0.116 2	0.000 4	0.500 1	0.000 3	0.069 6	0.237 5	0.000 5	0.500 1	0.267 4	0.000 3	0.050 2	0.452 7	0.000 1	0.475 3	0.000 1	0.677 2	0.400 6	0.000 1	0.555 6	0.000 1	0.000 1	0.679 2	0.060 9	0.171 5	1.000 1	0.103 5	0.000 1	0.667 1	0.000 1	0.088 2	0.296 6	0.305 6	0.444 3	0.221 4	0.208 4	0.192 7	0.069 4	0.140 1	0.000 1	0.043 7	0.000 1	0.043 1	0.111 5	0.556 1	0.000 3	0.054 1	0.000 2	0.322 2	0.025 4	0.000 4	1.000 1	0.000 2

DINO3D-Scannet200	0.346 4	0.437 5	0.353 4	0.229 4	0.729 3	0.536 2	0.659 5	0.733 2	0.431 2	0.264 2	0.388 5	0.001 8	0.764 1	0.529 3	0.462 5	0.669 5	0.411 4	0.925 3	0.371 7	0.766 4	0.545 2	0.263 5	0.574 6	0.257 1	0.714 6	0.504 4	0.325 6	0.726 1	0.206 2	0.618 5	0.628 3	0.066 2	0.297 5	0.558 2	0.000 5	0.732 1	0.594 5	0.940 4	0.199 2	0.558 3	0.752 3	0.174 1	0.687 2	0.470 2	0.921 1	0.764 9	0.345 7	0.142 5	0.731 8	0.780 4	0.138 1	0.514 4	0.712 1	0.556 1	0.417 2	0.719 2	0.407 1	0.042 2	0.292 11	0.456 2	0.245 10	0.266 4	1.000 1	0.042 5	0.247 6	0.446 5	0.373 5	0.241 6	0.049 7	0.000 6	0.328 4	0.536 7	0.417 5	0.000 6	0.000 3	0.764 1	0.000 8	0.500 3	0.406 4	0.520 3	0.045 8	0.442 3	0.803 4	0.681 1	0.000 4	0.000 5	0.000 5	0.251 3	0.000 2	0.027 3	0.083 8	0.000 6	0.303 1	0.306 3	0.889 2	0.551 4	0.094 2	0.264 4	0.361 2	0.253 4	0.000 3	0.611 4	0.400 2	0.516 1	0.000 5	0.599 2	0.279 3	0.000 4	0.346 3	0.642 1	0.111 5	0.282 4	0.183 5	0.664 2	0.750 1	0.378 5	0.333 2	0.500 1	0.514 7	0.593 1	0.708 5	0.000 1	0.238 1	0.000 4	0.250 6	0.111 1	0.000 8	0.484 2	0.000 5	0.250 4	0.585 1	0.000 3	0.063 1	0.487 6	0.000 1	0.365 5	0.000 1	0.772 1	0.639 1	0.000 1	0.769 3	0.000 1	0.000 1	0.545 5	0.655 4	0.000 10	0.250 3	0.014 7	0.000 1	0.222 4	0.000 1	0.082 3	0.618 1	0.156 8	0.384 4	0.436 3	0.130 9	0.246 6	0.049 7	0.009 5	0.000 1	0.192 4	0.000 1	0.000 2	0.000 6	0.477 5	0.028 2	0.000 5	0.000 2	0.156 4	0.000 5	0.000 4	1.000 1	0.000 2
Jinyuan Qu, Hongyang Li, Xingyu Chen, Shilong Liu, Yukai Shi, Tianhe Ren, Ruitao Jing and Lei Zhang: SegDINO3D: 3D Instance Segmentation Empowered by Both Image-Level and Object-Level 2D Features. AAAI 2026
TD3D Scannet200	0.211 8	0.332 8	0.177 8	0.103 8	0.662 5	0.413 7	0.463 8	0.705 3	0.192 9	0.145 7	0.266 7	0.215 3	0.452 10	0.209 8	0.222 11	0.219 11	0.315 7	0.893 6	0.380 6	0.617 7	0.439 6	0.047 10	0.646 4	0.080 8	0.610 8	0.253 6	0.237 8	0.293 8	0.135 6	0.379 11	0.494 6	0.048 5	0.252 7	0.451 5	0.184 2	0.483 6	0.395 7	0.852 5	0.083 5	0.551 4	0.278 8	0.036 8	0.337 8	0.266 8	0.544 7	0.963 5	0.079 11	0.039 6	0.740 7	0.604 8	0.000 8	0.586 2	0.283 8	0.282 8	0.059 8	0.633 8	0.028 8	0.004 7	0.559 3	0.309 4	0.420 7	0.028 11	1.000 1	0.000 6	0.456 1	0.411 6	0.372 6	0.060 10	0.046 8	0.000 6	0.040 10	0.694 3	0.083 8	0.000 6	0.000 3	0.000 7	0.000 8	0.083 10	0.252 8	0.260 10	0.200 5	0.160 4	0.669 7	0.111 8	0.000 4	0.000 5	0.006 3	0.169 6	0.000 2	0.007 7	0.296 6	0.032 1	0.074 5	0.139 7	0.000 8	0.321 6	0.031 4	0.108 8	0.088 8	0.157 7	0.000 3	0.231 10	0.026 11	0.000 8	0.000 5	0.356 6	0.052 8	0.000 4	0.240 7	0.147 7	0.000 6	0.015 8	0.046 9	0.144 9	0.073 9	0.414 4	0.222 10	0.000 2	0.806 4	0.343 7	0.486 8	0.000 1	0.008 6	0.038 3	0.083 7	0.002 2	0.028 7	0.074 7	0.032 4	0.150 6	0.039 7	0.008 1	0.000 3	0.250 10	0.000 1	0.125 9	0.000 1	0.052 7	0.260 9	0.000 1	0.143 11	0.000 1	0.000 1	0.543 6	0.207 7	0.404 1	0.000 6	0.003 8	0.000 1	0.000 8	0.000 1	0.037 7	0.093 10	0.272 7	0.342 7	0.039 10	0.281 3	0.249 5	0.224 1	0.000 7	0.000 1	0.074 6	0.000 1	0.000 2	0.000 6	0.278 8	0.000 3	0.000 5	0.889 1	0.323 1	0.000 5	0.014 2	0.000 8	0.000 2
Maksim Kolodiazhnyi, Anna Vorontsova, Anton Konushin, Danila Rukhovich: Top-Down Beats Bottom-Up in 3D Instance Segmentation. WACV 2024
Mask3D Scannet200	0.278 6	0.383 6	0.263 7	0.168 6	0.661 6	0.465 5	0.572 6	0.665 7	0.391 5	0.121 10	0.304 6	0.015 5	0.647 6	0.349 6	0.474 3	0.489 6	0.321 6	0.816 11	0.351 8	0.722 5	0.402 9	0.195 6	0.515 9	0.082 7	0.795 3	0.215 7	0.396 3	0.377 7	0.082 10	0.724 1	0.586 4	0.015 8	0.277 6	0.377 11	0.201 1	0.475 7	0.572 6	0.778 8	0.089 4	0.759 2	0.556 7	0.068 4	0.506 6	0.467 3	0.323 9	0.778 6	0.427 5	0.027 8	0.789 5	0.744 5	0.003 7	0.570 3	0.561 6	0.337 7	0.265 6	0.711 3	0.258 4	0.031 4	0.569 2	0.311 3	0.441 5	0.179 6	1.000 1	0.000 6	0.233 7	0.411 7	0.283 7	0.380 1	0.667 3	0.016 4	0.048 9	0.418 8	0.139 7	0.173 3	0.000 3	0.086 4	0.014 7	0.500 3	0.384 5	0.497 5	0.044 9	0.032 7	0.752 6	0.287 7	0.003 3	0.000 5	0.007 2	0.208 5	0.000 2	0.001 8	0.349 3	0.008 3	0.014 6	0.509 1	0.500 5	0.323 5	0.023 7	0.176 6	0.107 7	0.105 9	0.000 3	0.605 5	0.378 5	0.016 7	0.000 5	0.400 3	0.192 4	0.000 4	0.048 8	0.037 8	0.000 6	0.275 5	0.119 6	0.810 1	0.258 7	0.006 9	0.083 11	0.000 2	0.568 6	0.377 6	0.708 5	0.000 1	0.005 7	0.147 2	0.014 8	0.000 3	0.556 2	0.085 6	0.325 1	0.500 1	0.083 6	0.004 2	0.000 3	0.590 4	0.000 1	0.365 6	0.000 1	0.116 6	0.491 5	0.000 1	0.626 5	0.000 1	0.000 1	0.579 4	0.391 5	0.050 9	0.000 6	0.028 6	0.000 1	0.222 4	0.000 1	0.063 4	0.302 5	0.356 4	0.149 10	0.573 2	0.415 1	0.013 11	0.002 10	0.004 6	0.000 1	0.005 10	0.000 1	0.000 2	0.444 1	0.514 4	0.000 3	0.028 3	0.000 2	0.156 4	0.267 1	0.000 4	1.000 1	0.000 2
Jonas Schult, Francis Engelmann, Alexander Hermans, Or Litany, Siyu Tang, Bastian Leibe: Mask3D for 3D Semantic Instance Segmentation. ICRA 2023
ODIN - Ins200	0.265 7	0.349 7	0.268 6	0.163 7	0.485 11	0.366 9	0.549 7	0.492 11	0.421 3	0.229 3	0.265 8	0.003 7	0.609 7	0.297 7	0.320 7	0.327 7	0.251 8	0.848 9	0.314 10	0.526 8	0.324 10	0.138 7	0.529 7	0.178 5	0.440 10	0.186 11	0.306 7	0.546 5	0.160 4	0.494 9	0.476 7	0.016 7	0.231 8	0.594 1	0.000 5	0.615 3	0.357 8	0.630 9	0.141 3	0.167 5	0.665 6	0.054 5	0.360 7	0.451 4	0.610 6	0.769 8	0.640 1	0.032 7	0.746 6	0.698 7	0.040 2	0.389 8	0.550 7	0.371 6	0.257 7	0.617 9	0.310 3	0.000 8	0.481 6	0.022 10	0.463 4	0.160 7	1.000 1	0.125 3	0.193 8	0.267 8	0.253 8	0.156 8	0.000 9	0.000 6	0.332 3	0.606 5	0.444 3	0.000 6	0.000 3	0.281 3	1.000 1	0.417 8	0.344 7	0.238 11	0.218 4	0.000 8	0.655 8	0.506 6	0.000 4	0.052 1	0.000 5	0.091 8	0.000 2	0.035 1	0.370 1	0.000 6	0.000 7	0.250 4	0.903 1	0.037 11	0.031 3	0.221 5	0.197 6	0.285 2	0.037 1	0.191 11	0.200 8	0.083 5	0.000 5	0.200 8	0.115 6	0.000 4	0.250 5	0.552 2	0.278 3	0.077 7	0.107 7	0.389 7	0.674 3	0.565 2	0.278 6	0.000 2	0.361 11	0.333 8	0.361 9	0.000 1	0.000 8	0.438 1	0.451 2	0.000 3	1.000 1	0.074 7	0.204 2	0.250 4	0.250 5	0.000 3	0.000 3	0.493 5	0.000 1	0.083 10	0.000 1	0.000 8	0.317 7	0.000 1	0.481 7	0.000 1	0.000 1	0.188 8	0.333 6	0.345 2	0.000 6	0.333 3	0.000 1	0.333 3	0.000 1	0.035 8	0.266 7	0.478 2	0.506 1	0.054 8	0.205 5	0.119 9	0.067 5	0.000 7	0.000 1	0.210 3	0.000 1	0.000 2	0.000 6	0.389 7	0.097 1	0.000 5	0.000 2	0.111 8	0.000 5	0.000 4	0.889 6	0.000 2

CSC-Pretrain Inst.	0.123 11	0.223 11	0.082 11	0.046 10	0.564 9	0.152 11	0.394 11	0.578 10	0.235 8	0.116 11	0.034 11	0.000 9	0.348 11	0.119 10	0.297 8	0.285 9	0.202 11	0.838 10	0.323 9	0.407 10	0.184 11	0.037 11	0.516 8	0.013 11	0.424 11	0.214 8	0.093 11	0.105 11	0.078 11	0.542 8	0.250 11	0.000 9	0.064 10	0.444 6	0.000 5	0.224 11	0.231 9	0.537 10	0.001 11	0.000 8	0.126 10	0.004 9	0.308 9	0.193 9	0.244 10	0.343 11	0.228 8	0.000 11	0.441 10	0.588 9	0.000 8	0.338 10	0.275 10	0.189 10	0.030 10	0.600 10	0.000 10	0.000 8	0.378 9	0.000 11	0.108 11	0.098 10	1.000 1	0.000 6	0.096 11	0.172 10	0.144 9	0.011 11	0.125 5	0.000 6	0.000 11	0.376 10	0.000 9	0.000 6	0.000 3	0.000 7	0.000 8	0.042 11	0.141 10	0.377 8	0.051 7	0.000 8	0.483 9	0.017 10	0.000 4	0.000 5	0.000 5	0.022 11	0.000 2	0.000 9	0.065 9	0.000 6	0.000 7	0.000 10	0.000 8	0.094 9	0.000 11	0.042 9	0.000 11	0.064 11	0.000 3	0.259 8	0.089 9	0.000 8	0.000 5	0.000 10	0.022 10	0.000 4	0.000 9	0.000 9	0.000 6	0.000 10	0.018 11	0.111 11	0.000 11	0.000 10	0.278 6	0.000 2	0.444 10	0.333 8	0.333 10	0.000 1	0.000 8	0.000 4	0.000 9	0.000 3	0.000 8	0.000 11	0.000 5	0.000 9	0.000 9	0.000 3	0.000 3	0.267 9	0.000 1	0.184 8	0.000 1	0.000 8	0.211 10	0.000 1	0.378 8	0.000 1	0.000 1	0.063 11	0.000 11	0.275 4	0.000 6	0.000 9	0.000 1	0.000 8	0.000 1	0.007 11	0.105 9	0.000 9	0.032 11	0.045 9	0.198 6	0.171 8	0.028 8	0.000 7	0.000 1	0.006 9	0.000 1	0.000 2	0.000 6	0.278 8	0.000 3	0.000 5	0.000 2	0.044 10	0.000 5	0.000 4	0.000 8	0.000 2
Ji Hou, Benjamin Graham, Matthias Nießner, Saining Xie: Exploring Data-Efficient 3D Scene Understanding with Contrastive Scene Contexts. CVPR 2021
LGround Inst.	0.154 9	0.275 9	0.108 9	0.060 9	0.573 8	0.381 8	0.434 9	0.654 8	0.190 10	0.141 8	0.097 9	0.000 9	0.503 9	0.180 9	0.252 9	0.242 10	0.242 9	0.881 8	0.448 4	0.494 9	0.429 7	0.078 8	0.364 11	0.024 9	0.654 7	0.213 9	0.222 9	0.239 9	0.099 9	0.616 6	0.363 9	0.000 9	0.092 9	0.444 6	0.000 5	0.383 10	0.209 11	0.815 7	0.030 9	0.000 8	0.166 9	0.002 10	0.295 11	0.099 10	0.364 8	0.778 6	0.177 9	0.001 10	0.427 11	0.585 10	0.000 8	0.470 7	0.268 11	0.205 9	0.045 9	0.642 7	0.007 9	0.000 8	0.333 10	0.148 8	0.407 8	0.130 8	1.000 1	0.000 6	0.156 10	0.189 9	0.097 10	0.169 7	0.000 9	0.000 6	0.056 8	0.400 9	0.000 9	0.000 6	0.000 3	0.000 7	0.556 2	0.278 9	0.203 9	0.323 9	0.019 10	0.000 8	0.402 10	0.026 9	0.000 4	0.000 5	0.000 5	0.044 9	0.000 2	0.000 9	0.037 10	0.000 6	0.000 7	0.181 6	0.000 8	0.127 7	0.006 10	0.028 10	0.023 9	0.115 8	0.000 3	0.327 7	0.267 7	0.000 8	0.000 5	0.000 10	0.028 9	0.000 4	0.000 9	0.000 9	0.000 6	0.003 9	0.048 8	0.135 10	0.222 8	0.089 7	0.278 6	0.000 2	0.514 7	0.333 8	0.611 7	0.000 1	0.000 8	0.000 4	0.000 9	0.000 3	0.000 8	0.037 9	0.000 5	0.000 9	0.000 9	0.000 3	0.000 3	0.322 8	0.000 1	0.209 7	0.000 1	0.000 8	0.278 8	0.000 1	0.302 9	0.000 1	0.000 1	0.143 9	0.148 8	0.000 10	0.000 6	0.000 9	0.000 1	0.000 8	0.000 1	0.015 9	0.064 11	0.000 9	0.272 8	0.031 11	0.000 10	0.257 4	0.028 8	0.000 7	0.000 1	0.041 8	0.000 1	0.000 2	0.000 6	0.222 11	0.000 3	0.000 5	0.000 2	0.000 11	0.000 5	0.000 4	0.000 8	0.000 2
David Rozenberszki, Or Litany, Angela Dai: Language-Grounded Indoor 3D Semantic Segmentation in the Wild.
Minkowski 34D Inst.	0.130 10	0.246 10	0.083 10	0.043 11	0.547 10	0.236 10	0.415 10	0.672 6	0.141 11	0.133 9	0.067 10	0.000 9	0.521 8	0.114 11	0.238 10	0.289 8	0.232 10	0.883 7	0.182 11	0.373 11	0.486 3	0.076 9	0.488 10	0.022 10	0.529 9	0.199 10	0.110 10	0.217 10	0.100 8	0.460 10	0.319 10	0.000 9	0.025 11	0.472 3	0.000 5	0.394 9	0.210 10	0.537 10	0.004 10	0.000 8	0.083 11	0.000 11	0.299 10	0.061 11	0.201 11	0.761 10	0.084 10	0.008 9	0.720 9	0.557 11	0.000 8	0.317 11	0.280 9	0.094 11	0.020 11	0.564 11	0.000 10	0.000 8	0.400 7	0.048 9	0.259 9	0.101 9	1.000 1	0.000 6	0.190 9	0.142 11	0.094 11	0.137 9	0.089 6	0.000 6	0.101 7	0.355 11	0.000 9	0.000 6	0.000 3	0.000 7	0.000 8	0.444 7	0.082 11	0.384 7	0.000 11	0.000 8	0.334 11	0.004 11	0.000 4	0.000 5	0.000 5	0.041 10	0.000 2	0.000 9	0.026 11	0.000 6	0.000 7	0.000 10	0.000 8	0.082 10	0.022 8	0.000 11	0.021 10	0.088 10	0.000 3	0.241 9	0.033 10	0.000 8	0.000 5	0.067 9	0.000 11	0.000 4	0.000 9	0.000 9	0.000 6	0.000 10	0.026 10	0.262 8	0.016 10	0.000 10	0.278 6	0.000 2	0.500 9	0.394 5	0.028 11	0.000 1	0.000 8	0.000 4	0.000 9	0.000 3	0.000 8	0.019 10	0.000 5	0.000 9	0.000 9	0.000 3	0.000 3	0.156 11	0.000 1	0.032 11	0.000 1	0.000 8	0.194 11	0.000 1	0.248 10	0.000 1	0.000 1	0.099 10	0.019 10	0.308 3	0.000 6	0.000 9	0.000 1	0.000 8	0.000 1	0.007 10	0.122 8	0.000 9	0.175 9	0.063 7	0.000 10	0.271 3	0.000 11	0.000 7	0.000 1	0.000 11	0.000 1	0.000 2	0.000 6	0.278 8	0.000 3	0.000 5	0.000 2	0.111 8	0.000 5	0.000 4	0.000 8	0.000 2
C. Choy, J. Gwak, S. Savarese: 4D Spatio-Temporal ConvNets: Minkowski Convolutional Neural Networks. CVPR 2019

ScanNet200 3D Semantic Instance Benchmark