Prueba de procesamiento de nubes de puntos

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

1. ¿Qué es una nube de puntos?
   • Una colección de puntos 3D que describen superficies en el espacio.
   • Una cuadrícula 2D de píxeles de colores.
   • Un grupo de servidores que procesan gráficos.
   • Un mapa meteorológico de la cobertura de nubes.
2. ¿Por qué no se pueden aplicar CNN de imágenes estándar directamente a las nubes de puntos?
   • Las nubes de puntos son demasiado pequeñas
   • Los puntos están desordenados y carecen de una estructura de cuadrícula regular.
   • Las nubes de puntos no contienen información espacial
   • Las CNN sólo funcionan en blanco y negro
3. ¿Qué propiedad clave debe respetar una red de nube de puntos?
   • Invariancia de color
   • Orden de lectura estricto de izquierda a derecha
   • Invariancia de permutación para ordenar puntos
   • Resolución de imagen fija
4. ¿Cómo logró PointNet la independencia del orden?
   • Ordenando los puntos alfabéticamente
   • Convirtiendo puntos a píxeles primero
   • Descartando todos menos el primer punto.
   • Mediante el uso de una función simétrica como agrupación máxima sobre características por punto
5. ¿Qué hace el algoritmo del punto más cercano iterativo (ICP)?
   • Alinea dos nubes de puntos en un marco de coordenadas común
   • Comprime nubes de puntos para almacenamiento
   • Colores puntos por altura.
   • Detecta rostros en escaneos 3D
6. ¿Por qué se utiliza habitualmente la reducción de resolución de vóxeles?
   • Para agregar más puntos para detalle
   • Reducir nubes enormes y densas a un tamaño manejable y más uniforme
   • Para convertir datos 3D en audio
   • Para cifrar la nube de puntos
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