Kvíz spojený s průvodcem · Střední úroveň

Kvíz o zpracování mračna bodů

Prozkoumejte, jak systémy mraků bodů zachovávají neuspořádanou 3D geometrii při čištění skenů a učení funkcí v různých prostorových měřítcích.

Související vodicí cestyZpracování mračna bodů
Otázka 1 z 8

Co je mračno bodů?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Co je mračno bodů?
    • Sbírka 3D bodů popisujících povrchy v prostoru
    • 2D mřížka barevných pixelů
    • Shluk serverů zpracovávajících grafiku
    • Mapa počasí oblačnosti
  2. Proč nelze standardní obrazové CNN aplikovat přímo na mračna bodů?
    • Mraky bodů jsou příliš malé
    • Body jsou neuspořádané a postrádají pravidelnou mřížkovou strukturu
    • Mračna bodů neobsahují žádné prostorové informace
    • CNN fungují pouze černobíle
  3. Jakou klíčovou vlastnost musí respektovat síť mraků bodů?
    • Barevná neměnnost
    • Přísné pořadí čtení zleva doprava
    • Permutační invariance k bodovému uspořádání
    • Pevné rozlišení obrazu
  4. Jak PointNet dosáhl nezávislosti na objednávce?
    • Seřazením bodů podle abecedy
    • Nejprve převedením bodů na pixely
    • Zahozením všeho kromě prvního bodu
    • Použitím symetrické funkce, jako je max. sdružování funkcí za bod
  5. Co dělá algoritmus Iterative Closest Point (ICP)?
    • Zarovná dva mračna bodů do společného souřadnicového rámce
    • Komprimuje mračna bodů pro uložení
    • Barvy body podle výšky
    • Detekuje tváře ve 3D skenování
  6. Proč se běžně používá voxel downsampling?
    • Chcete-li přidat další body pro podrobnosti
    • Chcete-li snížit obrovské, husté mraky na zvládnutelnou, jednotnější velikost
    • Pro převod 3D dat na zvuk
    • K zašifrování mračna bodů
  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