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.

Kapcsolódó útmutató utakPontfelhő feldolgozás
kérdés 1 -ból 8

Mi az a pontfelhő?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mi az a pontfelhő?
    • A tér felületeit leíró 3D-pontok gyűjteménye
    • Színes pixelekből álló 2D rács
    • Grafikát feldolgozó szerverek klasztere
    • A felhőtakaró időjárási térképe
  2. 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
  3. Milyen kulcstulajdonságot kell tiszteletben tartania egy pontfelhő-hálózatnak?
    • Színváltozatlanság
    • Szigorú balról jobbra olvasási sorrend
    • Permutációs invariancia a pontrendezéshez
    • Fix képfelbontás
  4. 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
  5. 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
  6. 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
  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