Тест, свързан с ръководство · Среден Ниво

Тест за разделяне на времева област Conv-TasNet

Прегледайте енкодера за научена вълнова форма на Conv-TasNet, функциите за маскирано разделяне, разделителя на TCN и обхвата на неговите резултати от бенчмарка.

Свързани ръководни пътекиConv Tasnet разделяне на времеви домейн
Въпрос 1 на 8

Коя е определящата характеристика на Conv-TasNet в сравнение с по-ранните системи за разделяне?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Коя е определящата характеристика на Conv-TasNet в сравнение с по-ранните системи за разделяне?
    • Той работи директно върху необработената форма на вълната вместо върху фиксирана спектрограма
    • Не изисква данни за обучение
    • Работи само с музика, не и с реч
    • Първо преобразува аудио в MIDI
  2. Какъв вид мрежа използва Conv-TasNet като свой модул за разделяне?
    • Единичен напълно свързан слой
    • Времева конволюционна мрежа (подредени разширени 1D навивки)
    • Ансамбъл дърво на решенията
    • Дифузионен модел
  3. Какво заменя традиционното кратковременно преобразуване на Фурие в Conv-TasNet?
    • Уейвлет трансформация
    • Прозорец на Хан
    • Научен 1D-конволюционен енкодер
    • Филтърна банка Мел
  4. Коя функция на загуба е централна за обучението на Conv-TasNet?
    • Крос-ентропия върху етикети на думи
    • Средна абсолютна пикселна грешка
    • Загуба на контрастно изображение
    • Мащабно-инвариантен SI-SNR с пермутационно-инвариантно обучение
  5. What did Conv-TasNet’s paper report about ideal time-frequency magnitude masks?
    • It surpassed several ideal magnitude masks in two-speaker separation evaluations
    • Премахна нуждата от микрофони
    • It only worked on one identical speaker
    • It used ideal masks as its encoder
  6. What does Conv-TasNet’s learned encoder produce for the separator?
    • A transcript of each speaker
    • A waveform representation optimized for speaker separation
    • A fixed mel image
    • A list of microphone locations
  7. What type of speech-separation task did the Conv-TasNet paper address?
    • Text-to-speech from a written prompt
    • Speaker identification from video frames
    • A single-channel mixture containing multiple speakers
    • Multichannel music transcription with MIDI output
  8. What allows Conv-TasNet’s TCN to model long-term speech dependencies?
    • A database lookup for every audio sample
    • A text decoder
    • A fixed Fourier transform alone
    • Stacked one-dimensional dilated convolutional blocks