Quiz sur le traitement des nuages de points

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

1. Qu'est-ce qu'un nuage de points ?
   • Une collection de points 3D décrivant des surfaces dans l'espace
   • Une grille 2D de pixels de couleur
   • Un cluster de serveurs traitant des graphiques
   • Une carte météorologique de la couverture nuageuse
2. Pourquoi les CNN d'images standard ne peuvent-ils pas être appliqués directement aux nuages de points ?
   • Les nuages de points sont trop petits
   • Les points ne sont pas ordonnés et n'ont pas de structure de grille régulière
   • Les nuages de points ne contiennent aucune information spatiale
   • Les CNN ne fonctionnent qu'en noir et blanc
3. Quelle propriété clé un réseau de nuages de points doit-il respecter ?
   • Invariance des couleurs
   • Ordre de lecture strict de gauche à droite
   • Invariance de permutation dans l'ordre des points
   • Résolution d'image fixe
4. Comment PointNet a-t-il atteint son indépendance vis-à-vis des commandes ?
   • En triant les points par ordre alphabétique
   • En convertissant d'abord les points en pixels
   • En rejetant tout sauf le premier point
   • En utilisant une fonction symétrique comme le pooling maximum sur des fonctionnalités par point
5. À quoi sert l’algorithme ICP (Iterative Closest Point) ?
   • Aligne deux nuages de points dans un cadre de coordonnées commun
   • Compresse les nuages de points pour le stockage
   • Couleurs des points par hauteur
   • Détecte les visages dans les scans 3D
6. Pourquoi le sous-échantillonnage de voxels est-il couramment utilisé ?
   • Pour ajouter plus de points pour plus de détails
   • Réduire les nuages énormes et denses à une taille gérable et plus uniforme
   • Pour convertir des données 3D en audio
   • Pour chiffrer le nuage de points
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