Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο
Κουίζ Επεξεργασίας Point Cloud
Εξερευνήστε πώς τα συστήματα point-cloud διατηρούν αδιάτακτη τρισδιάστατη γεωμετρία ενώ καθαρίζουν σαρώσεις και λειτουργίες εκμάθησης σε πολλαπλές χωρικές κλίμακες.
Ερώτηση 1 του 8
Τι είναι ένα νέφος σημείων;
Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις
Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.
- Τι είναι ένα νέφος σημείων;
- Μια συλλογή από τρισδιάστατα σημεία που περιγράφουν επιφάνειες στο διάστημα
- Ένα 2D πλέγμα έγχρωμων pixel
- Ένα σύμπλεγμα διακομιστών που επεξεργάζονται γραφικά
- Χάρτης καιρού με συννεφιά
- Γιατί τα τυπικά CNN εικόνων δεν μπορούν να εφαρμοστούν απευθείας σε σύννεφα σημείων;
- Τα σημειακά σύννεφα είναι πολύ μικρά
- Τα σημεία δεν είναι ταξινομημένα και στερούνται κανονικής δομής πλέγματος
- Τα σύννεφα σημείων δεν περιέχουν χωρικές πληροφορίες
- Τα CNN λειτουργούν μόνο σε μαύρο και άσπρο
- Ποια βασική ιδιότητα πρέπει να σέβεται ένα σημείο δικτύου cloud;
- Αμετάβλητο χρώματος
- Αυστηρή σειρά ανάγνωσης από αριστερά προς τα δεξιά
- Αμετάβλητο μετάθεσης στη διάταξη σημείων
- Σταθερή ανάλυση εικόνας
- Πώς η PointNet πέτυχε την ανεξαρτησία της παραγγελίας;
- Ταξινομώντας τα σημεία αλφαβητικά
- Μετατρέποντας πρώτα τα σημεία σε pixel
- Απορρίπτοντας όλα εκτός από το πρώτο σημείο
- Χρησιμοποιώντας μια συμμετρική συνάρτηση όπως η max-pooling πάνω από τα χαρακτηριστικά ανά σημείο
- Τι κάνει ο αλγόριθμος Iterative Closest Point (ICP);
- Ευθυγραμμίζει σύννεφα δύο σημείων σε ένα κοινό πλαίσιο συντεταγμένων
- Συμπιέζει τα σύννεφα σημείων για αποθήκευση
- Χρωματίζει σημεία ανά ύψος
- Ανιχνεύει πρόσωπα σε τρισδιάστατες σαρώσεις
- Γιατί χρησιμοποιείται συνήθως η μείωση δειγματοληψίας voxel;
- Για να προσθέσετε περισσότερα σημεία για λεπτομέρειες
- Για να μειώσετε τα τεράστια, πυκνά σύννεφα σε ένα διαχειρίσιμο, πιο ομοιόμορφο μέγεθος
- Για να μετατρέψετε δεδομένα 3D σε ήχο
- Για να κρυπτογραφήσετε το νέφος σημείων
- 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
- 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