Quiz połączony z przewodnikiem · Średni Poziom
Quiz dotyczący przetwarzania chmur punktów
Dowiedz się, jak systemy chmur punktów zachowują nieuporządkowaną geometrię 3D podczas czyszczenia skanów i uczenia się funkcji w wielu skalach przestrzennych.
Pytanie 1 z 8
Co to jest chmura punktów?
Podgląd każdego pytania8 pytania
Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.
- Co to jest chmura punktów?
- Zbiór punktów 3D opisujących powierzchnie w przestrzeni
- Siatka 2D kolorowych pikseli
- Klaster serwerów przetwarzających grafikę
- Mapa pogodowa zachmurzenia
- Dlaczego nie można zastosować standardowych obrazów CNN bezpośrednio do chmur punktów?
- Chmury punktów są za małe
- Punkty są nieuporządkowane i brakuje im regularnej struktury siatki
- Chmury punktów nie zawierają informacji przestrzennych
- CNN działają tylko w czerni i bieli
- Jaką kluczową właściwość musi spełniać sieć chmury punktów?
- Niezmienność koloru
- Ścisła kolejność czytania od lewej do prawej
- Niezmienniczość permutacji względem uporządkowania punktów
- Naprawiono rozdzielczość obrazu
- Jak PointNet osiągnął niezależność od porządku?
- Sortując punkty alfabetycznie
- Najpierw konwertując punkty na piksele
- Odrzucając wszystko oprócz pierwszego punktu
- Korzystając z funkcji symetrycznej, takiej jak maksymalne łączenie funkcji na punkt
- Do czego służy algorytm iteracyjnego najbliższego punktu (ICP)?
- Wyrównuje dwie chmury punktów we wspólny układ współrzędnych
- Kompresuje chmury punktów do przechowywania
- Koloruje punkty według wzrostu
- Wykrywa twarze w skanach 3D
- Dlaczego powszechnie stosuje się próbkowanie wokseli?
- Aby dodać więcej punktów za szczegóły
- Aby zredukować ogromne, gęste chmury do łatwiejszego do opanowania, bardziej jednolitego rozmiaru
- Aby przekonwertować dane 3D na dźwięk
- Aby zaszyfrować chmurę punktów
- 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