Gids-gekoppelde quiz · Middelmatig Niveau
Quiz over puntenwolkverwerking
Ontdek hoe puntenwolksystemen ongeordende 3D-geometrie behouden terwijl ze scans opschonen en functies op meerdere ruimtelijke schalen leren.
Vraag 1 van 8
Wat is een puntenwolk?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Wat is een puntenwolk?
- Een verzameling 3D-punten die oppervlakken in de ruimte beschrijven
- Een 2D-raster van kleurpixels
- Een cluster van servers die grafische afbeeldingen verwerken
- Een weerkaart van bewolking
- Waarom kunnen standaardbeeld-CNN's niet rechtstreeks op puntenwolken worden toegepast?
- Puntenwolken zijn te klein
- Punten zijn ongeordend en missen een regelmatige rasterstructuur
- Puntenwolken bevatten geen ruimtelijke informatie
- CNN's werken alleen in zwart-wit
- Welke belangrijke eigenschap moet een puntenwolknetwerk respecteren?
- Kleurinvariantie
- Strikte leesvolgorde van links naar rechts
- Permutatie-invariantie naar puntvolgorde
- Vaste beeldresolutie
- Hoe heeft PointNet orderonafhankelijkheid bereikt?
- Door punten alfabetisch te sorteren
- Door punten eerst om te zetten in pixels
- Door alles behalve het eerste punt weg te gooien
- Door een symmetrische functie te gebruiken, zoals max-pooling over per-punt-functies
- Wat doet het Iterative Closest Point (ICP)-algoritme?
- Lijnt twee puntenwolken uit in een gemeenschappelijk coördinatenframe
- Comprimeert puntenwolken voor opslag
- Kleurt punten op hoogte
- Detecteert gezichten in 3D-scans
- Waarom wordt voxel-downsampling vaak gebruikt?
- Om meer punten voor detail toe te voegen
- Om enorme, dichte wolken terug te brengen tot een beheersbare, meer uniforme grootte
- Om 3D-gegevens om te zetten in audio
- Om de puntenwolk te coderen
- 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