التحليل الثلاثي للInstances، الذي يحظى بطلب كبير في الوقت الحاضر بفضل تطبيقاته المتنوعة في الروبوتات والواقع المعزز، يختلف جوهريًا عن الصور ثنائية الأبعاد التي تمثل ملاحظات تقويمية للبيئة. فالنماذج ثلاثية الأبعاد توفر إعادة بناءً قياسيًا للمشاهد دون تداخل أو غموض في الحجم. في هذه الورقة، نعرّف مصطلح "حجم الاشغال الثلاثي" (3D occupancy size) على أنه عدد المكعبات (Voxels) المشغولة لكل Instance. ويتميز هذا المفهوم بمرونته العالية في التنبؤ، وهو ما يُشكّل الأساس لاقتراحنا لمنهجية "OccuSeg"، وهي طريقة لتحليل الـ3D Instance تعتمد على الوعي بالاشغال. تعتمد طريقة التعلم متعددة المهام التي نقترحها على إنتاج إشارات الاشغال والتمثيلات التضمينية (Embedding)، حيث تختلف عملية تدريب التضمينات المكانية والوظيفية وفقًا لاختلافها في الوعي بالحجم. كما أن خوارزمية التجميع لدينا تستفيد من مقارنة موثوقة بين حجم الاشغال المُنبَت (المتوقع) وحجم الاشغال المُجمَّع، ما يُشجع على تجميع العينات الصعبة بشكل صحيح ويُقلل من احتمال التجزئة الزائدة. وقد حقق النهج المقترح أداءً متميزًا على ثلاث مجموعات بيانات واقعية، وهي ScanNetV2 وS3DIS وSceneNN، مع الحفاظ على كفاءة عالية.