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.

Gerelateerde gidspadenPuntenwolkverwerking
Vraag 1 van 8

Wat is een puntenwolk?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. 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
  2. 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
  3. Welke belangrijke eigenschap moet een puntenwolknetwerk respecteren?
    • Kleurinvariantie
    • Strikte leesvolgorde van links naar rechts
    • Permutatie-invariantie naar puntvolgorde
    • Vaste beeldresolutie
  4. 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
  5. 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
  6. 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
  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