ScanNet200 3D Semantic Label Results

The 3D semantic labeling task involves predicting a semantic labeling of a 3D scan mesh.

Evaluation and metrics

Our evaluation ranks all methods according to the PASCAL VOC intersection-over-union metric (IoU). IoU = TP/(TP+FP+FN), where TP, FP, and FN are the numbers of true positive, false positive, and false negative pixels, respectively. Predicted labels are evaluated per-vertex over the respective 3D scan mesh; for 3D approaches that operate on other representations like grids or points, the predicted labels should be mapped onto the mesh vertices (e.g., one such example for grid to mesh vertices is provided in the evaluation helpers).

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

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

PonderV2 ScanNet200	0.346 2	0.552 4	0.270 3	0.175 3	0.497 4	0.070 7	0.239 4	0.000 1	0.000 2	0.000 1	0.232 10	0.412 5	0.584 1	0.842 2	0.804 3	0.212 4	0.540 4	0.000 3	0.433 10	0.106 6	0.000 5	0.590 3	0.290 6	0.548 2	0.243 4	0.000 4	0.356 6	0.000 1	0.000 3	0.062 6	0.398 7	0.441 4	0.000 1	0.104 5	0.000 2	0.888 2	0.076 7	0.682 3	0.030 1	0.094 4	0.491 5	0.351 6	0.869 6	0.000 1	0.063 1	0.403 5	0.700 2	0.000 7	0.660 8	0.881 2	0.761 1	0.050 5	0.186 4	0.852 6	0.000 1	0.007 4	0.570 4	0.100 2	0.565 2	0.326 3	0.641 5	0.431 3	0.290 7	0.621 3	0.259 2	0.408 4	0.622 5	0.125 1	0.082 6	0.950 2	0.179 3	0.000 1	0.263 2	0.424 2	0.193 4	0.558 3	0.880 1	0.545 6	0.375 4	0.727 2	0.445 5	0.499 5	0.000 3	0.000 1	0.475 4	0.002 4	0.034 4	0.083 3	0.000 3	0.924 1	0.290 2	0.636 3	0.115 7	0.400 3	0.874 3	0.186 4	0.000 1	0.611 4	0.128 2	0.113 2	0.000 4	0.000 1	0.000 4	0.584 5	0.636 4	0.103 7	0.385 5	0.843 3	0.283 2	0.603 3	0.080 5	0.825 3	0.000 3	0.377 6	0.000 1	0.000 3	0.000 2	0.457 6	0.000 1	0.000 4	0.000 1	0.574 7	0.608 5	0.481 2	0.792 3	0.394 2	0.000 1	0.357 6	0.503 6	0.261 5	0.817 6	0.504 8	0.304 3	0.472 3	0.115 4	0.000 1	0.750 3	0.677 3	0.202 1	0.000 7	0.509 3	0.729 1	0.000 1	0.519 7	0.000 9	0.000 5	0.000 1	0.620 7	0.000 2	0.000 1	0.660 3	0.560 4	0.486 2	0.384 5	0.346 4	0.952 2	0.247 7	0.667 2	0.436 5	0.269 3	0.691 3	0.000 1	0.010 3	0.787 5	0.889 2	0.880 4	0.000 1	0.810 4	0.336 3	0.860 6	0.000 1	0.606 3	0.009 5	0.248 5	0.681 4	0.392 5
Haoyi Zhu, Honghui Yang, Xiaoyang Wu, Di Huang, Sha Zhang, Xianglong He, Tong He, Hengshuang Zhao, Chunhua Shen, Yu Qiao, Wanli Ouyang: PonderV2: Pave the Way for 3D Foundataion Model with A Universal Pre-training Paradigm.
PTv3 ScanNet200	0.393 1	0.592 1	0.330 1	0.216 1	0.520 1	0.109 2	0.108 10	0.000 1	0.337 1	0.000 1	0.310 9	0.394 6	0.494 7	0.753 6	0.848 1	0.256 1	0.717 2	0.000 3	0.842 1	0.192 2	0.065 2	0.449 5	0.346 1	0.546 3	0.190 6	0.000 4	0.384 3	0.000 1	0.000 3	0.218 1	0.505 1	0.791 1	0.000 1	0.136 1	0.000 2	0.903 1	0.073 8	0.687 2	0.000 4	0.168 1	0.551 2	0.387 4	0.941 1	0.000 1	0.000 2	0.397 6	0.654 3	0.000 7	0.714 3	0.759 8	0.752 3	0.118 3	0.264 1	0.926 1	0.000 1	0.048 1	0.575 1	0.000 6	0.597 1	0.366 1	0.755 1	0.469 1	0.474 1	0.798 1	0.140 6	0.617 1	0.692 2	0.000 3	0.592 1	0.971 1	0.188 2	0.000 1	0.133 3	0.593 1	0.349 1	0.650 1	0.717 4	0.699 1	0.455 1	0.790 1	0.523 3	0.636 1	0.301 1	0.000 1	0.622 2	0.000 6	0.017 9	0.259 1	0.000 3	0.921 2	0.337 1	0.733 1	0.210 1	0.514 1	0.860 6	0.407 1	0.000 1	0.688 1	0.109 6	0.000 9	0.000 4	0.000 1	0.151 1	0.671 4	0.782 1	0.115 6	0.641 1	0.903 1	0.349 1	0.616 1	0.088 4	0.832 1	0.000 3	0.480 1	0.000 1	0.428 1	0.000 2	0.497 5	0.000 1	0.000 4	0.000 1	0.662 2	0.690 1	0.612 1	0.828 1	0.575 1	0.000 1	0.404 4	0.644 1	0.325 3	0.887 1	0.728 1	0.009 9	0.134 5	0.026 10	0.000 1	0.761 1	0.731 1	0.172 3	0.077 2	0.528 2	0.727 2	0.000 1	0.603 4	0.220 2	0.022 2	0.000 1	0.740 1	0.000 2	0.000 1	0.661 1	0.586 1	0.566 1	0.436 3	0.531 1	0.978 1	0.457 1	0.708 1	0.583 2	0.141 7	0.748 1	0.000 1	0.026 1	0.822 1	0.871 3	0.879 5	0.000 1	0.851 1	0.405 2	0.914 1	0.000 1	0.682 1	0.000 8	0.281 1	0.738 1	0.463 3

OA-CNN-L_ScanNet200	0.333 4	0.558 2	0.269 4	0.124 6	0.448 8	0.080 5	0.272 3	0.000 1	0.000 2	0.000 1	0.342 5	0.515 2	0.524 3	0.713 10	0.789 4	0.158 6	0.384 5	0.000 3	0.806 3	0.125 3	0.000 5	0.496 4	0.332 3	0.498 9	0.227 5	0.024 2	0.474 1	0.000 1	0.003 2	0.071 5	0.487 2	0.000 5	0.000 1	0.110 3	0.000 2	0.876 3	0.013 10	0.703 1	0.000 4	0.076 6	0.473 6	0.355 5	0.906 3	0.000 1	0.000 2	0.476 4	0.706 1	0.000 7	0.672 7	0.835 6	0.748 4	0.015 9	0.223 3	0.860 4	0.000 1	0.000 6	0.572 3	0.000 6	0.509 5	0.313 4	0.662 2	0.398 7	0.396 2	0.411 8	0.276 1	0.527 2	0.711 1	0.000 3	0.076 7	0.946 3	0.166 4	0.000 1	0.022 4	0.160 3	0.183 6	0.493 6	0.699 5	0.637 3	0.403 3	0.330 7	0.406 6	0.526 3	0.024 2	0.000 1	0.392 6	0.000 6	0.016 10	0.000 5	0.196 2	0.915 4	0.112 5	0.557 5	0.197 2	0.352 6	0.877 2	0.000 5	0.000 1	0.592 8	0.103 8	0.000 9	0.067 1	0.000 1	0.089 2	0.735 3	0.625 5	0.130 5	0.568 3	0.836 4	0.271 3	0.534 5	0.043 8	0.799 4	0.001 2	0.445 2	0.000 1	0.000 3	0.024 1	0.661 2	0.000 1	0.262 1	0.000 1	0.591 4	0.517 9	0.373 5	0.788 5	0.021 4	0.000 1	0.455 1	0.517 5	0.320 4	0.823 5	0.200 10	0.001 10	0.150 4	0.100 5	0.000 1	0.736 4	0.668 4	0.103 8	0.052 4	0.662 1	0.720 3	0.000 1	0.602 5	0.112 4	0.002 4	0.000 1	0.637 5	0.000 2	0.000 1	0.621 5	0.569 2	0.398 4	0.412 4	0.234 5	0.949 3	0.363 2	0.492 9	0.495 4	0.251 4	0.665 5	0.000 1	0.001 7	0.805 3	0.833 4	0.794 6	0.000 1	0.821 2	0.314 4	0.843 7	0.000 1	0.560 4	0.245 2	0.262 3	0.713 2	0.370 7

PPT-SpUNet-F.T.	0.332 5	0.556 3	0.270 2	0.123 7	0.519 2	0.091 3	0.349 2	0.000 1	0.000 2	0.000 1	0.339 6	0.383 7	0.498 6	0.833 3	0.807 2	0.241 2	0.584 3	0.000 3	0.755 4	0.124 4	0.000 5	0.608 2	0.330 4	0.530 6	0.314 1	0.000 4	0.374 4	0.000 1	0.000 3	0.197 2	0.459 4	0.000 5	0.000 1	0.117 2	0.000 2	0.876 3	0.095 1	0.682 3	0.000 4	0.086 5	0.518 3	0.433 1	0.930 2	0.000 1	0.000 2	0.563 3	0.542 7	0.077 4	0.715 2	0.858 4	0.756 2	0.008 10	0.171 6	0.874 3	0.000 1	0.039 2	0.550 5	0.000 6	0.545 4	0.256 5	0.657 4	0.453 2	0.351 4	0.449 7	0.213 3	0.392 5	0.611 6	0.000 3	0.037 8	0.946 3	0.138 7	0.000 1	0.000 6	0.063 5	0.308 2	0.537 4	0.796 2	0.673 2	0.323 7	0.392 5	0.400 7	0.509 4	0.000 3	0.000 1	0.649 1	0.000 6	0.023 6	0.000 5	0.000 3	0.914 5	0.002 9	0.506 9	0.163 6	0.359 5	0.872 4	0.000 5	0.000 1	0.623 3	0.112 4	0.001 8	0.000 4	0.000 1	0.021 3	0.753 1	0.565 9	0.150 1	0.579 2	0.806 6	0.267 4	0.616 1	0.042 9	0.783 6	0.000 3	0.374 7	0.000 1	0.000 3	0.000 2	0.620 4	0.000 1	0.000 4	0.000 1	0.572 8	0.634 2	0.350 6	0.792 3	0.000 5	0.000 1	0.376 5	0.535 3	0.378 2	0.855 2	0.672 2	0.074 6	0.000 6	0.185 3	0.000 1	0.727 5	0.660 5	0.076 10	0.000 7	0.432 6	0.646 5	0.000 1	0.594 6	0.006 8	0.000 5	0.000 1	0.658 3	0.000 2	0.000 1	0.661 1	0.549 5	0.300 7	0.291 7	0.045 7	0.942 6	0.304 3	0.600 5	0.572 3	0.135 9	0.695 2	0.000 1	0.008 5	0.793 4	0.942 1	0.899 2	0.000 1	0.816 3	0.181 6	0.897 2	0.000 1	0.679 2	0.223 3	0.264 2	0.691 3	0.345 8
Xiaoyang Wu, Zhuotao Tian, Xin Wen, Bohao Peng, Xihui Liu, Kaicheng Yu, Hengshuang Zhao: Towards Large-scale 3D Representation Learning with Multi-dataset Point Prompt Training.
OctFormer ScanNet200	0.326 6	0.539 6	0.265 5	0.131 5	0.499 3	0.110 1	0.522 1	0.000 1	0.000 2	0.000 1	0.318 8	0.427 4	0.455 8	0.743 8	0.765 6	0.175 5	0.842 1	0.000 3	0.828 2	0.204 1	0.033 3	0.429 6	0.335 2	0.601 1	0.312 2	0.000 4	0.357 5	0.000 1	0.000 3	0.047 7	0.423 5	0.000 5	0.000 1	0.105 4	0.000 2	0.873 5	0.079 6	0.670 6	0.000 4	0.117 2	0.471 7	0.432 2	0.829 7	0.000 1	0.000 2	0.584 2	0.417 10	0.089 3	0.684 6	0.837 5	0.705 9	0.021 8	0.178 5	0.892 2	0.000 1	0.028 3	0.505 7	0.000 6	0.457 6	0.200 8	0.662 2	0.412 5	0.244 8	0.496 5	0.000 10	0.451 3	0.626 4	0.000 3	0.102 5	0.943 5	0.138 7	0.000 1	0.000 6	0.149 4	0.291 3	0.534 5	0.722 3	0.632 4	0.331 6	0.253 9	0.453 4	0.487 6	0.000 3	0.000 1	0.479 3	0.000 6	0.022 7	0.000 5	0.000 3	0.900 6	0.128 4	0.684 2	0.164 5	0.413 2	0.854 7	0.000 5	0.000 1	0.512 10	0.074 10	0.003 7	0.000 4	0.000 1	0.000 4	0.469 8	0.613 6	0.132 4	0.529 4	0.871 2	0.227 9	0.582 4	0.026 10	0.787 5	0.000 3	0.339 8	0.000 1	0.000 3	0.000 2	0.626 3	0.000 1	0.029 3	0.000 1	0.587 5	0.612 4	0.411 4	0.724 7	0.000 5	0.000 1	0.407 3	0.552 2	0.513 1	0.849 3	0.655 3	0.408 1	0.000 6	0.296 1	0.000 1	0.686 8	0.645 7	0.145 5	0.022 5	0.414 7	0.633 6	0.000 1	0.637 1	0.224 1	0.000 5	0.000 1	0.650 4	0.000 2	0.000 1	0.622 4	0.535 6	0.343 5	0.483 2	0.230 6	0.943 5	0.289 4	0.618 4	0.596 1	0.140 8	0.679 4	0.000 1	0.022 2	0.783 6	0.620 8	0.906 1	0.000 1	0.806 5	0.137 8	0.865 3	0.000 1	0.378 6	0.000 8	0.168 10	0.680 5	0.227 9
Peng-Shuai Wang: OctFormer: Octree-based Transformers for 3D Point Clouds. SIGGRAPH 2023
CeCo	0.340 3	0.551 5	0.247 6	0.181 2	0.475 6	0.057 10	0.142 8	0.000 1	0.000 2	0.000 1	0.387 3	0.463 3	0.499 5	0.924 1	0.774 5	0.213 3	0.257 6	0.000 3	0.546 9	0.100 7	0.006 4	0.615 1	0.177 10	0.534 4	0.246 3	0.000 4	0.400 2	0.000 1	0.338 1	0.006 9	0.484 3	0.609 2	0.000 1	0.083 6	0.000 2	0.873 5	0.089 4	0.661 7	0.000 4	0.048 10	0.560 1	0.408 3	0.892 4	0.000 1	0.000 2	0.586 1	0.616 5	0.000 7	0.692 5	0.900 1	0.721 5	0.162 1	0.228 2	0.860 4	0.000 1	0.000 6	0.575 1	0.083 3	0.550 3	0.347 2	0.624 6	0.410 6	0.360 3	0.740 2	0.109 7	0.321 8	0.660 3	0.000 3	0.121 3	0.939 6	0.143 5	0.000 1	0.400 1	0.003 7	0.190 5	0.564 2	0.652 6	0.615 5	0.421 2	0.304 8	0.579 1	0.547 2	0.000 3	0.000 1	0.296 7	0.000 6	0.030 5	0.096 2	0.000 3	0.916 3	0.037 6	0.551 6	0.171 4	0.376 4	0.865 5	0.286 2	0.000 1	0.633 2	0.102 9	0.027 5	0.011 3	0.000 1	0.000 4	0.474 7	0.742 2	0.133 3	0.311 6	0.824 5	0.242 6	0.503 7	0.068 6	0.828 2	0.000 3	0.429 3	0.000 1	0.063 2	0.000 2	0.781 1	0.000 1	0.000 4	0.000 1	0.665 1	0.633 3	0.450 3	0.818 2	0.000 5	0.000 1	0.429 2	0.532 4	0.226 6	0.825 4	0.510 7	0.377 2	0.709 1	0.079 7	0.000 1	0.753 2	0.683 2	0.102 9	0.063 3	0.401 9	0.620 8	0.000 1	0.619 2	0.000 9	0.000 5	0.000 1	0.595 8	0.000 2	0.000 1	0.345 7	0.564 3	0.411 3	0.603 1	0.384 3	0.945 4	0.266 5	0.643 3	0.367 7	0.304 1	0.663 6	0.000 1	0.010 3	0.726 8	0.767 5	0.898 3	0.000 1	0.784 6	0.435 1	0.861 5	0.000 1	0.447 5	0.000 8	0.257 4	0.656 6	0.377 6
Zhisheng Zhong, Jiequan Cui, Yibo Yang, Xiaoyang Wu, Xiaojuan Qi, Xiangyu Zhang, Jiaya Jia: Understanding Imbalanced Semantic Segmentation Through Neural Collapse. CVPR 2023
AWCS	0.305 7	0.508 7	0.225 7	0.142 4	0.463 7	0.063 8	0.195 6	0.000 1	0.000 2	0.000 1	0.467 2	0.551 1	0.504 4	0.773 4	0.764 7	0.142 7	0.029 10	0.000 3	0.626 7	0.100 7	0.000 5	0.360 7	0.179 8	0.507 8	0.137 8	0.006 3	0.300 7	0.000 1	0.000 3	0.172 4	0.364 8	0.512 3	0.000 1	0.056 7	0.000 2	0.865 7	0.093 3	0.634 10	0.000 4	0.071 8	0.396 8	0.296 9	0.876 5	0.000 1	0.000 2	0.373 7	0.436 9	0.063 6	0.749 1	0.877 3	0.721 5	0.131 2	0.124 7	0.804 8	0.000 1	0.000 6	0.515 6	0.010 5	0.452 7	0.252 6	0.578 7	0.417 4	0.179 10	0.484 6	0.171 4	0.337 7	0.606 7	0.000 3	0.115 4	0.937 7	0.142 6	0.000 1	0.008 5	0.000 9	0.157 9	0.484 7	0.402 10	0.501 8	0.339 5	0.553 3	0.529 2	0.478 7	0.000 3	0.000 1	0.404 5	0.001 5	0.022 7	0.077 4	0.000 3	0.894 8	0.219 3	0.628 4	0.093 8	0.305 7	0.886 1	0.233 3	0.000 1	0.603 5	0.112 4	0.023 6	0.000 4	0.000 1	0.000 4	0.741 2	0.664 3	0.097 8	0.253 7	0.782 7	0.264 5	0.523 6	0.154 1	0.707 9	0.000 3	0.411 4	0.000 1	0.000 3	0.000 2	0.332 9	0.000 1	0.000 4	0.000 1	0.602 3	0.595 6	0.185 9	0.656 9	0.159 3	0.000 1	0.355 7	0.424 8	0.154 8	0.729 8	0.516 6	0.220 5	0.620 2	0.084 6	0.000 1	0.707 7	0.651 6	0.173 2	0.014 6	0.381 10	0.582 9	0.000 1	0.619 2	0.049 7	0.000 5	0.000 1	0.702 2	0.000 2	0.000 1	0.302 9	0.489 8	0.317 6	0.334 6	0.392 2	0.922 7	0.254 6	0.533 8	0.394 6	0.129 10	0.613 8	0.000 1	0.000 8	0.820 2	0.649 7	0.749 7	0.000 1	0.782 7	0.282 5	0.863 4	0.000 1	0.288 9	0.006 6	0.220 7	0.633 7	0.542 1

LGround	0.272 8	0.485 8	0.184 8	0.106 8	0.476 5	0.077 6	0.218 5	0.000 1	0.000 2	0.000 1	0.547 1	0.295 8	0.540 2	0.746 7	0.745 8	0.058 9	0.112 9	0.005 1	0.658 6	0.077 10	0.000 5	0.322 8	0.178 9	0.512 7	0.190 6	0.199 1	0.277 8	0.000 1	0.000 3	0.173 3	0.399 6	0.000 5	0.000 1	0.039 9	0.000 2	0.858 8	0.085 5	0.676 5	0.002 2	0.103 3	0.498 4	0.323 7	0.703 8	0.000 1	0.000 2	0.296 8	0.549 6	0.216 1	0.702 4	0.768 7	0.718 7	0.028 6	0.092 9	0.786 9	0.000 1	0.000 6	0.453 9	0.022 4	0.251 10	0.252 6	0.572 8	0.348 8	0.321 5	0.514 4	0.063 8	0.279 9	0.552 8	0.000 3	0.019 9	0.932 8	0.132 9	0.000 1	0.000 6	0.000 9	0.156 10	0.457 8	0.623 7	0.518 7	0.265 9	0.358 6	0.381 8	0.395 8	0.000 3	0.000 1	0.127 10	0.012 3	0.051 1	0.000 5	0.000 3	0.886 9	0.014 7	0.437 10	0.179 3	0.244 8	0.826 8	0.000 5	0.000 1	0.599 6	0.136 1	0.085 3	0.000 4	0.000 1	0.000 4	0.565 6	0.612 7	0.143 2	0.207 8	0.566 8	0.232 8	0.446 8	0.127 2	0.708 8	0.000 3	0.384 5	0.000 1	0.000 3	0.000 2	0.402 7	0.000 1	0.059 2	0.000 1	0.525 10	0.566 7	0.229 8	0.659 8	0.000 5	0.000 1	0.265 8	0.446 7	0.147 9	0.720 10	0.597 5	0.066 7	0.000 6	0.187 2	0.000 1	0.726 6	0.467 10	0.134 7	0.000 7	0.413 8	0.629 7	0.000 1	0.363 9	0.055 6	0.022 2	0.000 1	0.626 6	0.000 2	0.000 1	0.323 8	0.479 10	0.154 9	0.117 8	0.028 9	0.901 8	0.243 8	0.415 10	0.295 10	0.143 6	0.610 9	0.000 1	0.000 8	0.777 7	0.397 10	0.324 9	0.000 1	0.778 8	0.179 7	0.702 9	0.000 1	0.274 10	0.404 1	0.233 6	0.622 8	0.398 4
David Rozenberszki, Or Litany, Angela Dai: Language-Grounded Indoor 3D Semantic Segmentation in the Wild. arXiv
CSC-Pretrain	0.249 10	0.455 10	0.171 9	0.079 10	0.418 9	0.059 9	0.186 7	0.000 1	0.000 2	0.000 1	0.335 7	0.250 9	0.316 9	0.766 5	0.697 10	0.142 7	0.170 7	0.003 2	0.553 8	0.112 5	0.097 1	0.201 10	0.186 7	0.476 10	0.081 9	0.000 4	0.216 10	0.000 1	0.000 3	0.001 10	0.314 10	0.000 5	0.000 1	0.055 8	0.000 2	0.832 10	0.094 2	0.659 8	0.002 2	0.076 6	0.310 10	0.293 10	0.664 10	0.000 1	0.000 2	0.175 10	0.634 4	0.130 2	0.552 10	0.686 10	0.700 10	0.076 4	0.110 8	0.770 10	0.000 1	0.000 6	0.430 10	0.000 6	0.319 8	0.166 9	0.542 10	0.327 9	0.205 9	0.332 9	0.052 9	0.375 6	0.444 10	0.000 3	0.012 10	0.930 10	0.203 1	0.000 1	0.000 6	0.046 6	0.175 7	0.413 9	0.592 8	0.471 9	0.299 8	0.152 10	0.340 9	0.247 10	0.000 3	0.000 1	0.225 8	0.058 2	0.037 2	0.000 5	0.207 1	0.862 10	0.014 7	0.548 7	0.033 9	0.233 9	0.816 9	0.000 5	0.000 1	0.542 9	0.123 3	0.121 1	0.019 2	0.000 1	0.000 4	0.463 9	0.454 10	0.045 10	0.128 10	0.557 9	0.235 7	0.441 9	0.063 7	0.484 10	0.000 3	0.308 10	0.000 1	0.000 3	0.000 2	0.318 10	0.000 1	0.000 4	0.000 1	0.545 9	0.543 8	0.164 10	0.734 6	0.000 5	0.000 1	0.215 10	0.371 9	0.198 7	0.743 7	0.205 9	0.062 8	0.000 6	0.079 7	0.000 1	0.683 9	0.547 9	0.142 6	0.000 7	0.441 5	0.579 10	0.000 1	0.464 8	0.098 5	0.041 1	0.000 1	0.590 9	0.000 2	0.000 1	0.373 6	0.494 7	0.174 8	0.105 9	0.001 10	0.895 9	0.222 9	0.537 7	0.307 9	0.180 5	0.625 7	0.000 1	0.000 8	0.591 10	0.609 9	0.398 8	0.000 1	0.766 10	0.014 10	0.638 10	0.000 1	0.377 7	0.004 7	0.206 9	0.609 10	0.465 2
Ji Hou, Benjamin Graham, Matthias Nießner, Saining Xie: Exploring Data-Efficient 3D Scene Understanding with Contrastive Scene Contexts. CVPR 2021
Minkowski 34D	0.253 9	0.463 9	0.154 10	0.102 9	0.381 10	0.084 4	0.134 9	0.000 1	0.000 2	0.000 1	0.386 4	0.141 10	0.279 10	0.737 9	0.703 9	0.014 10	0.164 8	0.000 3	0.663 5	0.092 9	0.000 5	0.224 9	0.291 5	0.531 5	0.056 10	0.000 4	0.242 9	0.000 1	0.000 3	0.013 8	0.331 9	0.000 5	0.000 1	0.035 10	0.001 1	0.858 8	0.059 9	0.650 9	0.000 4	0.056 9	0.353 9	0.299 8	0.670 9	0.000 1	0.000 2	0.284 9	0.484 8	0.071 5	0.594 9	0.720 9	0.710 8	0.027 7	0.068 10	0.813 7	0.000 1	0.005 5	0.492 8	0.164 1	0.274 9	0.111 10	0.571 9	0.307 10	0.293 6	0.307 10	0.150 5	0.163 10	0.531 9	0.002 2	0.545 2	0.932 8	0.093 10	0.000 1	0.000 6	0.002 8	0.159 8	0.368 10	0.581 9	0.440 10	0.228 10	0.406 4	0.282 10	0.294 9	0.000 3	0.000 1	0.189 9	0.060 1	0.036 3	0.000 5	0.000 3	0.897 7	0.000 10	0.525 8	0.025 10	0.205 10	0.771 10	0.000 5	0.000 1	0.593 7	0.108 7	0.044 4	0.000 4	0.000 1	0.000 4	0.282 10	0.589 8	0.094 9	0.169 9	0.466 10	0.227 9	0.419 10	0.125 3	0.757 7	0.002 1	0.334 9	0.000 1	0.000 3	0.000 2	0.357 8	0.000 1	0.000 4	0.000 1	0.582 6	0.513 10	0.337 7	0.612 10	0.000 5	0.000 1	0.250 9	0.352 10	0.136 10	0.724 9	0.655 3	0.280 4	0.000 6	0.046 9	0.000 1	0.606 10	0.559 8	0.159 4	0.102 1	0.445 4	0.655 4	0.000 1	0.310 10	0.117 3	0.000 5	0.000 1	0.581 10	0.026 1	0.000 1	0.265 10	0.483 9	0.084 10	0.097 10	0.044 8	0.865 10	0.142 10	0.588 6	0.351 8	0.272 2	0.596 10	0.000 1	0.003 6	0.622 9	0.720 6	0.096 10	0.000 1	0.771 9	0.016 9	0.772 8	0.000 1	0.302 8	0.194 4	0.214 8	0.621 9	0.197 10
C. Choy, J. Gwak, S. Savarese: 4D Spatio-Temporal ConvNets: Minkowski Convolutional Neural Networks. CVPR 2019

ScanNet200 3D Semantic Label Benchmark