Sistemas de Percepción T5-8

¿Qué característica NO es deseable en un punto característico 3D?. Repetible. Distinguible. Ambiguo. Estable.

¿Cuál es una propiedad importante para un keypoint 3D según el documento?. Color. Textura. Escala característica. Movimiento.

¿Qué técnica se menciona para calcular las normales a cada punto en una nube de puntos?. Algoritmo de Dijkstra. Análisis de Componentes Principales (PCA). Transformada de Fourier. Filtrado de Kalman.

¿Qué método 3D adapta el método de Harris de imágenes 2D?. SIFT 3D. Harris 3D. SUSAN. SHOT.

¿Qué descriptor se forma calculando histogramas locales que incorporan información geométrica dentro de una estructura esférica de soporte?. PFH. FPFH. SHOT. ESF.

¿Cuál es una ventaja del Fast Point Feature Histogram (FPFH) sobre el Point Feature Histogram (PFH)?. Más preciso. Menor costo computacional. Mayor tamaño del descriptor. Mayor complejidad.

¿Qué descriptor global se menciona que es robusto al ruido y a las superficies incompletas?. Viewpoint Feature Histogram (VFH). Clustered VFH (CVFH). Ensemble of Shape Functions (ESF). Unique Shape Context.

¿Qué proceso adicional se menciona para reducir el tamaño de un descriptor?. Downsampling. Supresión de puntos. Discretización en un histograma. Filtrado Gaussiano.

¿Qué enfoque en la detección de keypoints utiliza un análisis espacial para detectar estructuras destacadas en múltiples escalas?. Detectores de escala fija. Detectores adaptativos. Harris 3D. SIFT 3D.

¿Cuál es el principio de SUSAN para la detección de puntos clave?. Las áreas USAN más grandes dan lugar a los valores de R(r0) más grandes. Las áreas USAN más pequeñas dan lugar a los valores de R(r0) más grandes. El uso de convoluciones Gaussianas. La comparación de puntos con la curvatura normal.

¿Qué técnica utiliza el descriptor SIFT 3D para seleccionar puntos interesantes?. Primeras derivadas parciales. Curvatura normal. Matriz Hessiana 3D. Transformada de Fourier.

¿Cuál es el propósito del proceso de supresión en el método Harris 3D?. Aumentar la cantidad de keypoints. Eliminar keypoints más débiles cercanos a los más fuertes. Ajustar el parámetro de vecindad. Incrementar la escala de los keypoints.

¿Qué parámetro define la proyección del vector de curvatura sobre el vector normal en SIFT 3D?. Curvatura normal KnK_nKn. Radio de vecindad. Vector de intensidad. Desviación estándar.

¿Qué descriptor global se construye utilizando una malla 3D esférica?. FPFH. ESF. 3D Shape Context. VFH.

¿Qué se necesita calcular previamente en casi todos los métodos de extracción de keypoints?. Matrices de rotación. Histogramas de intensidad. Normales a cada punto. Gradientes de curvatura.

¿Qué técnica usa SHOT para formar el descriptor final?. Histogramas de curvatura. Interpolación cuadrática. Convoluciones gaussianas. Descomposición de matriz.

¿Qué se aplica para tratar con rotaciones y translaciones en 3D Shape Context?. Filtros de voxelgrid. Desviación estándar fija. Varios frames locales de referencia. Histogramas unidimensionales.

¿Qué componente adicional incluye VFH para hacerlo invariante a la pose del objeto?. Componentes de curvatura principal. Componente de dirección del punto de vista. Análisis de Fourier. Filtrado de Kalman.

¿Cómo se trata el grado de libertad restante en 3D Shape Context?. Usando múltiples histogramas radiales. Ajustando la escala característica. Definiendo direcciones principales en el plano normal. Considerando tantas orientaciones de la malla como subdivisiones de azimut.

¿Qué característica del método Harris 3D evita que muchos keypoints caigan cerca?. Downsampling de la nube de puntos. Cálculo de la matriz Hessiana. Supresión de puntos más débiles. Uso de filtros de convolución.

¿Cuál es la principal diferencia entre PFH y FPFH en términos de conexiones?. FPFH incluye conexiones adicionales entre vecinos. PFH es computacionalmente menos costoso. FPFH considera solo conexiones directas entre punto característico y sus vecinos. PFH descarta conexiones entre vecinos.

¿Qué análisis se usa para calcular las normales en la mayoría de los métodos de extracción de keypoints?. Análisis de Componentes Principales (PCA). Transformada Discreta de Fourier. Filtrado de Kalman. Método de Monte Carlo.

¿Qué histograma es construido en SHOT para cada sector esférico?. Histograma bidimensional. Histograma de intensidad. Histograma unidimensional. Histograma de curvatura.

¿Cuál es el efecto de la cuantización discreta en la esfera según SHOT?. Reduce la precisión del descriptor. Causa cambios bruscos entre dos contenedores de histogramas. Aumenta la densidad de puntos en la nube. Mejora la estabilidad del descriptor.

¿Cómo se mejora la robustez frente a la densidad de la nube de puntos en SHOT?. Usando un filtro de voxelgrid. Normalizando el descriptor. Aplicando convoluciones gaussianas. Incrementando el número de vecinos.

¿Qué técnica se utiliza para filtrar correspondencias incorrectas en un conjunto de datos 3D?. Detección de bordes. Rechazo de correspondencias. Transformación de Fourier. Segmentación de imágenes.

¿Cuál de las siguientes es una técnica para rechazar pares de puntos en la correspondencia de nubes de puntos?. Rechazar pares de puntos cuya distancia sea menor que un cierto umbral. Rechazar pares de puntos cuya distancia supere la mediana de las distancias. Rechazar pares de puntos cuya distancia sea exactamente igual a la media. Rechazar pares de puntos en los que la correspondencia sea biyectiva.

El algoritmo RANSAC es útil para: Procesar imágenes en tiempo real. Estimar los parámetros de un modelo de manera robusta. Segmentar imágenes en diferentes regiones. Reducir el ruido en imágenes.

En el contexto de RANSAC, ¿qué significa 'inliers'?. Datos que no se ajustan al modelo. Datos que se ajustan al modelo. Puntos de ruido en los datos. Parámetros del modelo.

¿Cuál es la principal diferencia entre RANSAC y el ajuste por mínimos cuadrados?. RANSAC es más rápido. RANSAC es más robusto frente a outliers. RANSAC es más preciso. RANSAC requiere más datos.

En el algoritmo ICP, ¿cuál es el criterio principal para emparejar puntos entre dos nubes de puntos?. Color. Curvatura. Distancia mínima. Orientación.

¿Qué se utiliza para mejorar los resultados de ICP mediante la asignación de diferentes pesos a los pares de puntos?. Asignar pesos constantes. Asignar pesos basados en el color. Asignar pesos basados en la distancia. Asignar pesos basados en la intensidad.

¿Cuál es uno de los criterios de terminación del algoritmo ICP?. Máximo número de iteraciones similares. Mínimo número de emparejamientos. Máxima diferencia de colores. Máximo número de errores.

¿Qué es un árbol KD y cómo se utiliza en ICP?. Una estructura de datos para almacenar imágenes. Un método para reducir el ruido en nubes de puntos. Una estructura de datos para acelerar la búsqueda de emparejamientos. Un algoritmo para segmentar imágenes.

¿Qué problema intenta resolver el registro incremental en el contexto del mapeo 3D?. Eliminar el ruido de las imágenes. Generar el mapa 3D de manera incremental. Aumentar la resolución de las imágenes. Reducir el tiempo de procesamiento.

¿Cuál es el principal objetivo de la técnica Iterative Closest Points (ICP)?. Encontrar correspondencias entre dos imágenes. Reducir el tamaño de las nubes de puntos. Alinear dos superficies 3D. Segmentar nubes de puntos en regiones.

¿Cuál es uno de los métodos mencionados para eliminar outliers en ICP?. Usar transformaciones no lineales. Eliminar pares de puntos cuya distancia sea mayor a un umbral. Aumentar el número de iteraciones. Utilizar árboles de búsqueda binarios.

En el algoritmo ICP, ¿cómo se calcula la transformación óptima entre dos nubes de puntos?. Usando una aproximación por mínimos cuadrados. Utilizando transformadas de Fourier. Aplicando umbrales de intensidad. Realizando segmentación de regiones.

¿Qué se busca minimizar en el proceso de ajuste de puntos en el algoritmo ICP?. La distancia entre puntos y planos. La diferencia de colores entre puntos. La distancia relativa entre los puntos de las nubes. La curvatura de las superficies.

¿Qué técnica se utiliza para calcular la transformación inicial en ICP cuando no se tiene una estimación previa?. Transformada de Fourier. RANSAC. Segmentación por regiones. Filtros de paso bajo.

¿Qué criterio puede indicar que el optimizador de ICP ha divergido?. Máximo número de iteraciones alcanzado. Error cuadrático medio aumentado. Distancia mínima entre puntos alcanzada. Curvatura máxima alcanzada.

¿Cuál es el propósito de aplicar un proceso de downsampling en el registro incremental?. Incrementar la resolución de las nubes de puntos. Eliminar redundancias y aligerar la representación. Aumentar el número de emparejamientos. Reducir el ruido en las nubes de puntos.

¿Qué tipo de error se considera en el análisis de ICP?. Error absoluto. Error cuadrático medio. Error de intensidad. Error de color.

¿Qué problema puede surgir si el umbral de distancia en RANSAC es demasiado grande?. Las nubes de puntos no se alinearán. El modelo será demasiado simple. Se seleccionarán múltiples modelos incorrectos. No se encontrarán suficientes inliers.

En el contexto de registro de datos 3D, ¿qué significa "transformación rígida"?. Cambio de escala de las nubes de puntos. Transformación que incluye solo rotación y traslación. Transformación que incluye deformaciones no lineales. Cambio de color de las nubes de puntos.

¿Cuál de las siguientes métricas de distancia NO se menciona en ICP?. Error punto a punto. Error punto a plano. Error de color. Error al punto más cercano compatible.

¿Qué técnica se menciona para acelerar la búsqueda de emparejamientos en ICP?. Transformada de Fourier. Segmentación por regiones. Árbol de búsqueda KD. Filtros de paso bajo.

¿Cuál es el propósito de calcular la matriz de covarianza cruzada en RANSAC e ICP?. Determinar la correspondencia de color entre puntos. Encontrar la transformación que minimice el error de distancia. Eliminar puntos fuera del umbral de distancia. Segmentar las nubes de puntos en regiones.

¿Qué aspecto es crucial para la calidad del resultado final en RANSAC?. La elección del umbral de distancia. La velocidad del procesador. El número de emparejamientos. La resolución de la imagen.

¿Cuál es el principal desafío al trabajar con grandes nubes de puntos en registro 3D?. Incrementar la velocidad del proceso. Manejar el almacenamiento de datos. Asegurar la precisión en la correspondencia. Reducir el tamaño de las nubes de puntos.

¿Cuál es el principal objetivo de la segmentación de nubes de puntos en 3D?. Capturar escenas en tiempo real. Agrupar puntos con características similares en regiones homogéneas. Aumentar la resolución de las imágenes. Reducir el tamaño de los archivos.

¿Qué método se basa en detectar los límites de las regiones presentes en una nube de puntos?. Métodos basados en regiones. Métodos basados en bordes. Métodos basados en atributos. Métodos basados en grafos.

¿Cuál es una desventaja de los métodos basados en bordes para la segmentación 3D?. Son rápidos pero poco precisos. No pueden trabajar con imágenes de rango. No son sensibles al ruido. Requieren una gran cantidad de conocimiento previo.

¿Qué utilizan los métodos basados en regiones para combinar puntos cercanos con propiedades similares?. Información de vecindad. Primitivas geométricas. Bordes detectados. Modelos probabilísticos.

¿Qué algoritmo fue introducido por Besl en 1988 para la segmentación basada en regiones?. RANSAC. Transformada de Hough. Algoritmo de crecimiento de regiones. Algoritmo de ajuste.

¿Qué método para la segmentación basada en regiones propone un crecimiento de puntos semilla basado en su vector normal y su distancia al plano creciente?. Método de Besl (1988). Método de Tovari (2005). Método de Ning (2009). Método de Chen (2008).

¿Qué método no basado en semilla es utilizado para la reconstrucción de superficies y fue propuesto por Chen en 2008?. Segmentación por atributos. Clusterizado de regiones planares. Transformada de Hough. RANSAC.

¿Qué limitación tienen los métodos basados en atributos en la segmentación 3D?. Son muy rápidos. Dependencia de la calidad de los atributos empleados. No pueden trabajar con distintas densidades de puntos. No requieren procesamiento intensivo.

¿Qué se utiliza en los métodos basados en modelo para agrupar los puntos?. Vecindad de puntos. Atributos de textura. Primitivas geométricas. Bordes detectados.

¿Qué método robusto es utilizado para detectar características matemáticas como líneas rectas o círculos en la segmentación 3D?. Transformada de Hough. Algoritmo de crecimiento de regiones. RANSAC. Clusterizado de atributos.

¿Qué se necesita para calcular en la transformada de Hough para detectar planos en una nube de puntos?. Coordenadas polares de los puntos. Coordenadas cartesianas y sus vectores normales. Distancia entre puntos. Textura de la superficie.

¿Cuál es la principal limitación de los métodos basados en modelo cuando se utilizan en segmentación 3D?. Son muy lentos. No son robustos a los outliers. Imposibilidad de trabajar con distintas fuentes de nubes de puntos. Necesitan una gran cantidad de conocimiento previo.

¿Qué consideran los métodos basados en grafos para la segmentación de nubes de puntos?. Puntos individuales de la nube. Relaciones entre puntos vecinos. Primitivas geométricas. Atributos de textura.

¿Qué método de segmentación basado en grafos utiliza un descriptor de características para codificar la geometría alrededor del punto?. Transformada de Hough. RANSAC. FPFH. CRF.

¿Cuál es la principal ventaja de los métodos basados en grafos en la segmentación de nubes de puntos?. Requieren poco procesamiento. Pueden segmentar escenas complejas con puntos ruidosos. No dependen de la densidad de los puntos. Pueden ejecutarse en tiempo real.

¿Qué algoritmo propuesto en 1981 es conocido por su robustez en la segmentación de puntos 3D?. Transformada de Hough. Algoritmo de crecimiento de regiones. RANSAC. Algoritmo de ajuste.

¿Qué metodología basada en atributos propuso Filin en 2006 para segmentar superficies a partir de datos de láser?. Análisis de textura. Transformación a un espacio de características. Crecimiento de regiones. RANSAC.

¿Qué se utiliza en la segmentación basada en grafos para representar el grado de confianza de la unión entre vértices?. Coordenadas cartesianas. Vectores normales. Pesos en las aristas. Primitivas geométricas.

¿Cuál es una limitación importante de los métodos basados en grafos en la segmentación 3D?. Requieren sensores especiales. No pueden trabajar con datos ruidosos. Necesitan un nivel elevado de computación. No son precisos en escenas complejas.

¿Qué método basado en atributos agrupa puntos en regiones homogéneas utilizando la altura y la intensidad como atributos?. Método de Filin (2002). Método de Tovari (2005). Método de Ning (2009). Método de Chen (2008).

¿Qué enfoque basado en modelo es famoso por detectar características matemáticas y es utilizado ampliamente en la segmentación 3D?. Transformada de Hough. RANSAC. Clusterizado de atributos. Algoritmo de crecimiento de regiones.

¿Qué método de segmentación utiliza una tabla de acumulación para detectar formas en nubes de puntos?. Transformada de Hough. RANSAC. Algoritmo de crecimiento de regiones. FPFH.

¿Cuál es el proceso principal en los métodos no basados en semilla para segmentar nubes de puntos?. Crecimiento de regiones a partir de puntos de semilla. Subdivisión de una única región en regiones más pequeñas. Agrupación de puntos basados en atributos. Detección de bordes en imágenes de rango.

¿Qué método basado en grafos propuesto en 2010 utiliza color y superficies normales para segmentar nubes de puntos 3D coloreadas?. Método de Filin (2006). Método de Chen (2008). Método de Strom (2010). Método de Tovari (2005).

¿Qué se considera en el método de Ning (2009) para segmentar superficies planas a partir de nubes de puntos LiDAR?. Coordenadas polares. Coordenadas cartesianas y vectores normales. Intensidad y altura. Textura y color.

¿Cuál es la función principal del pipeline tradicional de reconocimiento de objetos?. Detectar bordes en imágenes 2D. Reconocer y localizar objetos en escenas tridimensionales. Crear gráficos en 3D. Mejorar la resolución de imágenes.

¿Qué técnica se utiliza para eliminar emparejamientos erróneos en el pipeline tradicional?. SIFT. RANSAC. Harris 3D. YOLO.

¿Cuál es la principal desventaja de los métodos tradicionales de reconocimiento de objetos?. Alta capacidad de generalización. Eficiencia computacional. Bajo costo computacional. Poca capacidad de generalización.

¿Qué algoritmo de Deep Learning marcó un hito en el reconocimiento de objetos en 2D en 2012?. ResNet. AlexNet. YOLO. SegNet.

¿Qué significa "ICP" en el contexto del reconocimiento de objetos?. Iterative Closest Point. Image Classification Process. Integrated Computational Pipeline. Interactive Control Protocol.

¿Qué método se utiliza para calcular la transformación de una nube de puntos para que encaje en otra?. KdTree. SVD. PFH. ISS.

¿Cuál de los siguientes es un método para detectar "keypoints"?. YOLO. SegNet. Harris 3D. ResNet.

¿Qué estructura de datos representa inherentemente un problema en el reconocimiento de objetos 3D?. Imágenes 2D. Superficies basadas en triángulos. Archivos de texto. Tablas de datos.

¿Qué técnica se usa para representar la densidad de puntos en el espacio que ocupa un voxel?. Descriptores locales. KdTree. RANSAC. Voxelización.

¿Cuál es la principal ventaja de usar redes de Deep Learning en el reconocimiento de objetos 2D?. Más costoso computacionalmente. Niveles de acierto más altos. Poca capacidad de generalización. Procesamiento más lento.

¿Qué red de Deep Learning usa "bounding boxes" para devolver categorías de objetos?. AlexNet. ResNet. YOLO. SegNet.

¿Qué problema soluciona el uso de "conexiones residuales" en ResNet?. Vanishing gradients. Sobreajuste. Submuestreo. Desplazamiento de imagen.

¿Cuál es una desventaja de la representación voxelizada en el reconocimiento de objetos 3D?. Baja eficiencia computacional. Alta resolución. Consumo alto de recursos. Baja densidad.

¿Qué red utiliza una arquitectura de encoder-decoder para etiquetar objetos a nivel de píxel?. YOLO. ResNet. SegNet. AlexNet.

¿Qué red usa renders desde diferentes puntos de vista para la clasificación de objetos?. PointNet. LonchaNet. RotationNet. YOLO.

¿Qué representa cada voxel en una nube de puntos 3D?. Un borde. Un píxel. La densidad de puntos. Una línea.

¿Cuál es un problema al utilizar datos 3D en redes convolucionales?. Baja resolución. Relaciones espaciales claras. Consistencia de datos. Facilidad de procesamiento.

¿Qué red es conocida por mejorar significativamente el problema de "vanishing gradients"?. YOLO. SegNet. AlexNet. ResNet.

¿Qué método experimental usa "slices" del modelo 3D para clasificación?. PointNet. LonchaNet. RotationNet. YOLO.

¿Qué técnica se usa comúnmente para comparar descriptores en el proceso de emparejamiento?. SIFT. KdTree. RANSAC. ISS.

¿Qué tipo de datos pueden representar objetos 3D según el documento?. Superficies basadas en triángulos. Imágenes JPEG. Archivos CSV. Tablas de datos.

¿Cuál es una característica clave de PointNet?. Uso de bounding boxes. Representación voxelizada. Conexiones residuales. Uso de slices.

¿Qué es un descriptor en el contexto del reconocimiento de objetos 3D?. Un método para detectar bordes. Una manera de codificar patrones geométricos. Un algoritmo de aprendizaje profundo. Un tipo de sensor 3D.

¿Qué red fue desarrollada en 2015 y es conocida por su arquitectura de 50 a 152 capas?. YOLO. AlexNet. SegNet. ResNet.

¿Cuál es una desventaja del pipeline tradicional de reconocimiento de objetos 3D?. Alta capacidad de generalización. Eficiencia computacional. Alto costo computacional. Velocidad de procesamiento.