Тест, свързан с ръководство · Среден Ниво

Тест за обработка на облак от точки

Разгледайте как системите от облак от точки запазват неподредена 3D геометрия, като същевременно почистват сканирания и обучават функции в множество пространствени мащаби.

Свързани ръководни пътекиОбработка на облак от точки
Въпрос 1 на 8

Какво е облак от точки?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какво е облак от точки?
    • Колекция от 3D точки, описващи повърхности в пространството
    • 2D мрежа от цветни пиксели
    • Клъстер от сървъри, обработващи графики
    • Метеорологична карта на облачната покривка
  2. Защо CNN със стандартни изображения не могат да се прилагат директно към облаци от точки?
    • Облаците от точки са твърде малки
    • Точките не са подредени и нямат правилна мрежова структура
    • Облаците от точки не съдържат пространствена информация
    • CNN работят само черно-бяло
  3. Какво ключово свойство трябва да спазва мрежата от облак от точки?
    • Цветова инвариантност
    • Стриктен ред на четене отляво надясно
    • Инвариантност на пермутация към точково подреждане
    • Фиксирана резолюция на изображението
  4. Как PointNet постигна независимост от поръчка?
    • Чрез сортиране на точки по азбучен ред
    • Като първо конвертирате точки в пиксели
    • Като отхвърлите всичко освен първата точка
    • Чрез използване на симетрична функция, като максимално обединяване на функции за точка
  5. Какво прави алгоритъмът за итеративна най-близка точка (ICP)?
    • Подравнява два облака от точки в обща координатна рамка
    • Компресира облаци от точки за съхранение
    • Оцветява точки по височина
    • Разпознава лица при 3D сканиране
  6. Защо обикновено се използва намаляване на воксела?
    • За да добавите повече точки за подробности
    • За намаляване на огромни, плътни облаци до управляем, по-равномерен размер
    • За конвертиране на 3D данни в аудио
    • За да шифровате облака от точки
  7. What does PointNet++ add beyond PointNet’s independent per-point feature processing?
    • A fixed left-to-right order for every point cloud
    • An image-only convolution applied to RGB pixels
    • Hierarchical grouping of nearby points to learn local features at multiple scales
    • A rule that deletes every point outside the origin
  8. Why might a point-cloud pipeline remove statistical outliers before modeling?
    • To create an ordered sequence from the remaining points
    • To convert the cloud into a two-dimensional audio spectrogram
    • To add synthetic surface normals to every point
    • To discard isolated noisy points that do not fit the surrounding point distribution