Mit dem Guide verknüpftes Quiz · Mittel Ebene

Quiz zur Punktwolkenverarbeitung

Entdecken Sie, wie Punktwolkensysteme ungeordnete 3D-Geometrie bewahren und gleichzeitig Scans bereinigen und Features auf mehreren räumlichen Maßstäben lernen.

Verwandte FührungspfadePunktwolkenverarbeitung
Frage 1 von 8

Was ist eine Punktwolke?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Was ist eine Punktwolke?
    • Eine Sammlung von 3D-Punkten, die Oberflächen im Raum beschreiben
    • Ein 2D-Raster aus Farbpixeln
    • Ein Cluster von Servern, die Grafiken verarbeiten
    • Eine Wetterkarte der Wolkendecke
  2. Warum können Standardbild-CNNs nicht direkt auf Punktwolken angewendet werden?
    • Punktwolken sind zu klein
    • Punkte sind ungeordnet und weisen keine regelmäßige Gitterstruktur auf
    • Punktwolken enthalten keine räumlichen Informationen
    • CNNs funktionieren nur in Schwarzweiß
  3. Welche Schlüsseleigenschaft muss ein Punktwolkennetzwerk berücksichtigen?
    • Farbinvarianz
    • Strikte Lesereihenfolge von links nach rechts
    • Permutationsinvarianz zur Punktreihenfolge
    • Feste Bildauflösung
  4. Wie hat PointNet die Auftragsunabhängigkeit erreicht?
    • Durch alphabetische Sortierung der Punkte
    • Indem Sie zuerst Punkte in Pixel umwandeln
    • Indem wir alle bis auf den ersten Punkt verwerfen
    • Durch die Verwendung einer symmetrischen Funktion wie Max-Pooling über Pro-Punkt-Features
  5. Was macht der Iterative Closest Point (ICP)-Algorithmus?
    • Richtet zwei Punktwolken in einem gemeinsamen Koordinatenrahmen aus
    • Komprimiert Punktwolken zur Speicherung
    • Färbt Punkte nach Höhe
    • Erkennt Gesichter in 3D-Scans
  6. Warum wird Voxel-Downsampling häufig verwendet?
    • Um weitere Punkte für Details hinzuzufügen
    • Um riesige, dichte Wolken auf eine überschaubare, gleichmäßigere Größe zu reduzieren
    • Um 3D-Daten in Audio umzuwandeln
    • Um die Punktwolke zu verschlüsseln
  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