為了促進視覺功能可供性在真實場景中的研究，在這篇CVPR 2021論文中，來自華南理工大學等機構的研究者提出了基於 3D 點雲資料的功能可供性資料集 3D AffordanceNet。基於此資料集，研究者提供了三個基準任務，用於評估視覺功能可供性理解。
論文連結：https://arxiv.org/abs/2103.16397
實驗程式碼：https://github.com/Gorilla-Lab-SCUT/AffordanceNet
專案網頁：https://andlollipopde.github.io/3D-AffordanceNet/#/
將鄰接矩陣對稱化，並利用公式
獲得標準化後的鄰接矩陣，其中D是度數矩陣。最後所有點的得分S透過閉式解
得到，其中
是一個 one-hot 標籤向量，1 代表被標註的標籤。α是一個用於控制S的下降速度的超引數，在實際中被設定為 0.998。最後將S進行歸一化使得其值域位於 0 到 1 之間以表徵機率分數。部分標籤傳播過後的資料樣例在圖 4 中給出。
是標註第j個點關於第i個功能類別的標註得分，
是網路預測的得分。最終的損失函式為
。網路效能的評估指標採用平均準確度 (mAP)，均方誤差 (MSE)，ROC 曲線下面積 (AUC) 和平均交併比 (aIOU)，所有效能指標都在各個功能類別上計算之後取所有類別的算術平均值作為最終指標。特別的，對 aIOU，研究者以 0.01 的間隔從 0 到 0.99 間取閾值將預測得分二值化，計算所有閾值下預測得分與標註得分的 IOU，最後 aIOU 即為所有閾值下的 IOU 算術平均值。除了 MSE 外，其餘所有指標的計算都將標註得分進行二值化處理。
是增廣資料的預測機率得分。為了增廣資料，首先施加一次對抗攻擊，對應的對抗擾動則與原始點雲相加作為增廣點雲。最後用於半監督學習功能可供性估計的損失函式為：
分別是標註資料和未標註資料的均方誤差損失。研究者採用半監督學習在完整點雲功能可供性估計任務上訓練 DGCNN 網路，並與只使用 1% 資料全監督訓練的 DGCNN 網路進行效能比較。如圖 9 所示，透過利用大量未標註的資料，與半監督學習訓練的網路效能相比，只使用少量標註資料全監督訓練的網路的效能有 1~2% 的百分點的提升，說明未標註資料可以為功能可供性學習提供有用的資訊，利用未標註資料提升網路的效能應獲得更多人的關注。