Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Pemprosesan Awan Titik

Terokai cara sistem awan titik mengekalkan geometri 3D yang tidak tertib sambil membersihkan imbasan dan ciri pembelajaran pada berbilang skala spatial.

Laluan panduan yang berkaitanPemprosesan Awan Titik
soalan 1 daripada 8

Apakah awan titik?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah awan titik?
    • Koleksi titik 3D yang menerangkan permukaan dalam angkasa
    • Grid 2D piksel warna
    • Sekumpulan pelayan memproses grafik
    • Peta cuaca litupan awan
  2. Mengapakah CNN imej standard tidak boleh digunakan terus ke awan titik?
    • Awan titik terlalu kecil
    • Mata tidak teratur dan tidak mempunyai struktur grid biasa
    • Awan titik tidak mengandungi maklumat spatial
    • CNN hanya berfungsi dalam warna hitam dan putih
  3. Apakah sifat utama yang mesti dihormati oleh rangkaian awan titik?
    • Invarian warna
    • Perintah bacaan dari kiri ke kanan yang ketat
    • Invarian permutasi kepada susunan titik
    • Resolusi imej tetap
  4. Bagaimanakah PointNet mencapai ketertiban-kemerdekaan?
    • Dengan menyusun mata mengikut abjad
    • Dengan menukar titik kepada piksel terlebih dahulu
    • Dengan membuang semua kecuali perkara pertama
    • Dengan menggunakan fungsi simetri seperti pengumpulan maksimum ke atas ciri per titik
  5. Apakah yang dilakukan oleh algoritma Iterative Closest Point (ICP)?
    • Menjajarkan dua awan titik ke dalam bingkai koordinat sepunya
    • Memampatkan awan titik untuk penyimpanan
    • Warna mata mengikut ketinggian
    • Mengesan muka dalam imbasan 3D
  6. Mengapa pensampelan turun voxel biasa digunakan?
    • Untuk menambah lebih banyak mata untuk perincian
    • Untuk mengurangkan awan yang besar dan padat kepada saiz yang boleh diurus dan lebih seragam
    • Untuk menukar data 3D kepada audio
    • Untuk menyulitkan awan titik
  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