Tema 5: Características y Descriptores 3D

¿Por qué los puntos en áreas monótonas no son útiles para alinear nubes de puntos?. Porque están demasiado dispersos. Porque no son fáciles de detectar. Porque no ofrecen información distintiva. Porque son demasiado numerosos.

¿Cómo funcionan las convoluciones 2D en el procesamiento de imágenes?. Utilizan filtros para transformar las imágenes. Utilizan la transformada de Fourier. Utilizan algoritmos genéticos. Utilizan redes neuronales convolucionales.

¿Cuáles son las dos propiedades clave que debe tener un keypoint 3D ideal?. Rapidez y precisión. Complejidad y robustez. Repetibilidad y distinguibilidad. Escalabilidad y eficiencia.

¿Cuál es la diferencia clave entre los detectores de escala fija y los detectores adaptativos?. Los detectores de escala fija son más rápidos. Los detectores adaptativos son más precisos. Los detectores adaptativos analizan la escena en múltiples escalas. Los detectores de escala fija son más complejos.

¿Qué parámetro es sensible al calcular las normales en la superficie?. La intensidad de la luz. El radio de vecindad. La velocidad del procesador. El tamaño de la nube de puntos.

¿Qué utiliza Harris 3D en lugar de los gradientes de intensidad?. El cálculo de las normales. La transformada de Fourier. La detección de bordes. El análisis de componentes principales.

¿Qué calcula Harris 3D para identificar esquinas?. La matriz de covarianza de los puntos vecinos. La transformada de Hough. La función de activación basada en gradientes. El histograma de intensidades.

¿Qué reemplaza SIFT 3D en lugar del valor de intensidad del píxel?. La intensidad del píxel. La curvatura principal de cada punto. El gradiente de intensidad. La normal del punto.

¿Cuáles son los pasos clave en el funcionamiento de SIFT 3D?. Detección de bordes, segmentación y clasificación. Convolución con filtros gaussianos, creación de diferencias gaussianas y espacio de escala gaussiano. Cálculo de gradientes, análisis de componentes principales y clustering. Análisis de textura, detección de esquinas y reconocimiento de patrones.

¿Qué permite detectar la curvatura principal en 3D?. La intensidad de la luz. La normal del punto. Puntos significativos en la forma de la nube. La distancia entre puntos.

¿Qué hace el detector SUSAN?. Calcula la matriz de covarianza. Examina una vecindad esférica y estima la diferencia de intensidad. Detecta bordes utilizando gradientes. Utiliza la transformada de Hough.

¿Cómo se forma el área USAN en SUSAN?. Con los puntos más cercanos al centroide. Con los puntos vecinos que cumplen el criterio de diferencia de intensidad. Con los puntos en las esquinas. Con los puntos en los bordes.

¿Cómo se calculan los descriptores locales?. Para todo el objeto completo. Para cada punto característico de forma individual. Para un grupo de puntos aleatorios. Usando la transformada de Fourier.

¿Qué codifican los descriptores globales?. La geometría alrededor de un punto específico. La textura de la superficie. La geometría de un objeto completo o un clúster de puntos. La información sobre la iluminación.

¿Cuáles son las propiedades deseables en un descriptor óptimo?. Precisión y complejidad. Rapidez y eficiencia. Robustez, frente a ruido e invariancia a la resolución. Escalabilidad y modularidad.

¿Cómo se reduce el tamaño de los descriptores?. Eliminando información redundante. Agrupándolos en histogramas. Usando algoritmos de compresión. Reduciendo la resolución de la nube de puntos.

¿Qué captura el descriptor PFH (Point Feature Histogram)?. La textura de la superficie. La geometría de un punto analizando las diferencias entre las normales. La intensidad de la luz. La distancia entre los puntos.

¿Cómo se diferencia FPFH de PFH?. FPFH es más lento que PFH. FPFH considera solo las conexiones directas entre el punto y sus vecinos. FPFH utiliza menos histogramas. FPFH no requiere estimación de normales.

¿Cómo calcula el descriptor 3D Shape Context?. Usando la transformada de Fourier. Usando una malla esférica 3D centrada en el punto. Calculando la matriz de covarianza. Analizando la textura de la superficie.

¿Cómo se diferencia Unique Shape Context de 3D Shape Context?. Es menos costoso computacionalmente. No requiere estimación de normales. Se orienta singularmente según un marco de referencia local. No es tolerante a rotaciones.

¿Qué hace el descriptor SHOT (Signature of Histograms of Orientations)?. Calcula la matriz de covarianza. Calcula histogramas locales incorporando información geométrica sobre la localización de los puntos vecinos. Analiza la textura de la superficie. Detección de bordes.

¿Qué información adicional incluye VFH para hacerlo invariante a la pose?. Información sobre la textura. Información del punto de vista. La distancia entre los puntos. La intensidad de la luz.

¿Qué hace CVFH para mejorar la robustez?. Utiliza menos histogramas. Calcula la matriz de covarianza. Segmenta el objeto en regiones estables y suaves. No requiere estimación de normales.

¿Qué propiedades de la nube describe ESF?. Intensidad de la luz. Distancias, ángulos y áreas. Textura y color. Normales y curvaturas.

¿Qué medida se usa para emparejar descriptores?. La transformada de Fourier. La distancia euclídea. La correlación cruzada. El análisis de componentes principales.

¿Qué tipo de puntos no son útiles para la alineación de nubes de puntos?. Puntos en esquinas. Puntos en bordes. Puntos en áreas monótonas. Puntos con alta curvatura.

¿Qué implica la comprobación biyectiva (mutua) en el filtrado de correspondencias?. Descarta las correspondencias con la distancia más alta. Requiere que la característica más cercana sea también la más cercana hacia el otro lado. Utiliza la transformada de Hough. Analiza la textura de la superficie.

¿Cuál es el objetivo de las convoluciones 2D?. Detectar colores. Transformar las imágenes con filtros. Añadir ruido a las imágenes. Cambiar la resolución de las imágenes.

¿Cuáles son las dos características principales de un keypoint 3D ideal?. Precisión y velocidad. Repetibilidad y distinguibilidad. Complejidad y robustez. Escalabilidad y eficiencia.

¿Cómo funcionan los detectores adaptativos?. Usando un parámetro de vecindad constante. Analizando estructuras en múltiples escalas. Usando solo un nivel de escala. Analizando la textura de la superficie.

¿Qué afecta el radio de vecindad al calcular las normales?. La velocidad del procesador. La iluminación de la escena. La escala y la dispersión de la nube de puntos. El tamaño del archivo de la nube de puntos.

¿Qué usa Harris 3D para detectar esquinas en lugar de gradientes?. La transformada de Fourier. El cálculo de las normales. La segmentación de la escena. El análisis de componentes principales.

¿Qué se usa para identificar esquinas en Harris 3D?. El gradiente de intensidad. La matriz de covarianza y una función de activación. La transformada de Hough. La segmentación de la escena.

¿Qué reemplaza SIFT 3D en el cálculo?. El gradiente de intensidad. La normal de los puntos. La curvatura principal. La textura de la superficie.

¿Cuáles son algunos pasos en el funcionamiento de SIFT 3D?. Segmentación de la escena y análisis de textura. Convolución con filtros gaussianos y creación de diferencias gaussianas. Aplicación de la transformada de Hough. Análisis de componentes principales.

¿Qué permite detectar la curvatura principal?. La textura de la superficie. La intensidad de la luz. Puntos significativos. La distancia entre los puntos.

¿Qué hace el detector SUSAN?. Calcula la matriz de covarianza. Examina una vecindad esférica y estima la diferencia de intensidad. Detecta bordes utilizando gradientes. Utiliza la transformada de Hough.

¿Qué forma el área USAN?. Puntos vecinos que cumplen el criterio de diferencia de intensidad. Los puntos más cercanos al centro. Puntos en las esquinas. Puntos en los bordes.

¿Dónde se calculan los descriptores locales?. En todo el objeto completo. En un grupo aleatorio de puntos. En cada punto característico individualmente. Utilizando la transformada de Fourier.

¿Qué codifican los descriptores globales?. La geometría alrededor de un punto específico. La textura de la superficie. Geometría completa de un objeto o clúster. La información sobre la iluminación.

¿Qué propiedades tiene un descriptor óptimo?. Precisión y complejidad. Rapidez y eficiencia. Robustez, frente a ruido e invariancia a la resolución. Escalabilidad y modularidad.

¿Cómo se reduce el tamaño de un descriptor?. Eliminando información redundante. Agrupando en histogramas. Usando algoritmos de compresión. Reduciendo la resolución.

¿Qué captura el PFH?. La textura de la superficie. La geometría a través de las diferencias en las normales. La intensidad de la luz. La distancia entre los puntos.

¿Por qué FPFH es más eficiente?. Es más lento. Considera solo las conexiones directas. Utiliza menos histogramas. No requiere estimación de normales.

¿Cómo calcula 3D Shape Context?. Usando la transformada de Fourier. Usando una malla esférica. Calculando la matriz de covarianza. Analizando la textura de la superficie.

¿Cómo se diferencia Unique Shape Context?. Es menos costoso. No requiere estimación de normales. Se orienta según un marco de referencia local. No es tolerante a rotaciones.

¿Qué usa SHOT?. La matriz de covarianza. Histogramas locales con información geométrica. El análisis de la textura. Detección de bordes.

¿Qué incluye VFH para la invariancia?. Información sobre la textura. Información del punto de vista. La distancia entre los puntos. La intensidad de la luz.

¿Qué hace CVFH para mejorar la robustez?. Utiliza menos histogramas. Calcula la matriz de covarianza. Segmenta el objeto. No requiere estimación de normales.

¿Qué describe ESF?. Intensidad de la luz. Distancias, ángulos y áreas. Textura y color. Normales y curvaturas.

¿Qué medida se usa para emparejar descriptores?. Transformada de Fourier. Distancia euclídea. Correlación cruzada. Análisis de componentes principales.

¿Qué exige la comprobación biyectiva?. Descarta distancias altas. La característica más cercana en ambos lados. Transformada de Hough. Análisis de textura.