แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการประมวลผลพอยต์คลาวด์

สำรวจว่าระบบพอยต์คลาวด์รักษาเรขาคณิต 3 มิติที่ไม่เรียงลำดับในขณะที่ทำความสะอาดการสแกนและฟีเจอร์การเรียนรู้ในระดับอวกาศหลายระดับได้อย่างไร

เส้นทางแนะนำที่เกี่ยวข้องการประมวลผลพอยต์คลาวด์
คำถาม 1 ของ 8

พอยต์คลาวด์คืออะไร?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. พอยต์คลาวด์คืออะไร?
    • คอลเลกชันจุด 3 มิติที่อธิบายพื้นผิวในอวกาศ
    • ตารางพิกเซลสี 2 มิติ
    • คลัสเตอร์ของเซิร์ฟเวอร์ที่ประมวลผลกราฟิก
    • แผนที่สภาพอากาศของเมฆปกคลุม
  2. เหตุใดจึงไม่สามารถใช้รูปภาพมาตรฐานของ CNN กับ Point Cloud ได้โดยตรง
    • เมฆพอยต์มีขนาดเล็กเกินไป
    • คะแนนไม่มีการเรียงลำดับและไม่มีโครงสร้างตารางปกติ
    • เมฆพอยต์ไม่มีข้อมูลเชิงพื้นที่
    • CNN ใช้งานได้เฉพาะขาวดำเท่านั้น
  3. คุณสมบัติหลักใดที่เครือข่ายพอยต์คลาวด์ต้องเคารพ
    • ความแปรปรวนของสี
    • ลำดับการอ่านจากซ้ายไปขวาที่เข้มงวด
    • ความคงที่ของการเรียงสับเปลี่ยนเพื่อเรียงลำดับจุด
    • ความละเอียดของภาพคงที่
  4. PointNet บรรลุความเป็นอิสระในการสั่งซื้อได้อย่างไร
    • โดยเรียงลำดับจุดตามตัวอักษร
    • โดยการแปลงจุดเป็นพิกเซลก่อน
    • โดยทิ้งทั้งหมดยกเว้นข้อแรก
    • โดยใช้ฟังก์ชันสมมาตร เช่น การรวมกันสูงสุดเหนือคุณลักษณะต่อจุด
  5. อัลกอริธึมจุดใกล้ที่สุดซ้ำ (ICP) ทำหน้าที่อะไร
    • จัดแนวเมฆสองจุดให้อยู่ในกรอบพิกัดทั่วไป
    • บีบอัดพอยต์คลาวด์เพื่อการจัดเก็บ
    • สีชี้ตามความสูง
    • ตรวจจับใบหน้าในการสแกน 3 มิติ
  6. เหตุใดการสุ่มตัวอย่าง voxel จึงใช้กันทั่วไป
    • เพื่อเพิ่มรายละเอียดให้มากขึ้น
    • เพื่อลดเมฆหนาทึบขนาดใหญ่ให้มีขนาดที่จัดการได้และสม่ำเสมอมากขึ้น
    • เพื่อแปลงข้อมูล 3D ให้เป็นเสียง
    • เพื่อเข้ารหัสพอยต์คลาวด์
  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