Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Pontfelhő-feldolgozási kvíz
Explore how point-cloud systems preserve unordered 3D geometry while cleaning scans and learning features at multiple spatial scales.
kérdés 1 -ból 8
Mi az a pontfelhő?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Mi az a pontfelhő?
- A tér felületeit leíró 3D-pontok gyűjteménye
- Színes pixelekből álló 2D rács
- Grafikát feldolgozó szerverek klasztere
- A felhőtakaró időjárási térképe
- Miért nem lehet a szabványos kép CNN-eket közvetlenül a pontfelhőkre alkalmazni?
- A pontfelhők túl kicsik
- A pontok rendezetlenek, és nincs szabályos rácsszerkezetük
- A pontfelhők nem tartalmaznak térbeli információkat
- A CNN-ek csak fekete-fehérben működnek
- Milyen kulcstulajdonságot kell tiszteletben tartania egy pontfelhő-hálózatnak?
- Színváltozatlanság
- Szigorú balról jobbra olvasási sorrend
- Permutációs invariancia a pontrendezéshez
- Fix képfelbontás
- Hogyan érte el a PointNet a rendfüggetlenséget?
- A pontok ábécé szerinti rendezésével
- Először a pontokat pixelekké alakítva
- Az első pont kivételével az összes elvetésével
- Olyan szimmetrikus függvény használatával, mint a max-pooling a pontonkénti jellemzők felett
- Mit csinál az Iteratív Closest Point (ICP) algoritmus?
- Két pontfelhőt egy közös koordináta-keretbe igazít
- Tömöríti a pontfelhőket tárolás céljából
- A színek magasság szerint mutatnak
- Érzékeli az arcokat a 3D szkennelés során
- Miért használják általánosan a voxel-lemintavételezést?
- További pontok hozzáadásához a részletekért
- A hatalmas, sűrű felhők kezelhető, egységesebb méretre való csökkentése
- 3D adatok hanggá konvertálásához
- A pontfelhő titkosításához
- 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