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	wall	chair	floor	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

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

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

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

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

ScanNet200 3D Semantic Label Benchmark