Вікторина, пов’язана з посібником · Середній Рівень
Тест із обробки хмари точок
Дізнайтеся, як системи хмари точок зберігають невпорядковану 3D-геометрію, одночасно очищаючи скани та вивчаючи функції в різних просторових масштабах.
Питання 1 з 8
Що таке хмара точок?
Перегляньте кожне запитання8 запитання
Відповіді та пояснення з’являються під час виконання тесту.
- Що таке хмара точок?
- Набір тривимірних точок, що описують поверхні в просторі
- Двовимірна сітка кольорових пікселів
- Кластер серверів обробки графіки
- Карта погоди хмарного покриву
- Чому стандартні зображення CNN не можна застосувати безпосередньо до хмар точок?
- Хмари точок занадто малі
- Точки не впорядковані та не мають регулярної структури сітки
- Хмари точок не містять просторової інформації
- CNN працюють лише в чорно-білому режимі
- Яку ключову властивість повинна враховувати мережа хмари точок?
- Колірна інваріантність
- Суворий порядок читання зліва направо
- Інваріантність перестановки до точкового впорядкування
- Фіксована роздільна здатність зображення
- Як PointNet досягла незалежності від порядку?
- Сортуючи бали за алфавітом
- Спочатку перетворюючи точки на пікселі
- Відкинувши всі пункти, крім першого
- За допомогою симетричної функції, як-от максимального об’єднання точкових функцій
- Що робить алгоритм ітеративної найближчої точки (ICP)?
- Вирівнює дві хмари точок у загальну систему координат
- Стискає хмари точок для зберігання
- Розфарбовує точки за висотою
- Розпізнає обличчя під час 3D-сканування
- Чому зазвичай використовується зменшення дискретизації вокселів?
- Щоб додати більше балів для деталей
- Щоб зменшити величезні щільні хмари до керованого, більш однорідного розміру
- Для перетворення 3D-даних на аудіо
- Для шифрування хмари точок
- 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