Kvíz spojený s průvodcem · Střední úroveň
Kvíz o časové klasifikaci konconnectionistů
Zjistěte, jak CTC marginalizuje zarovnání mezi nesegmentovanými vstupními snímky a výstupními sekvencemi, jako jsou přepisy rozpoznávání řeči.
Otázka 1 z 8
Jaký hlavní problém byl navržen CTC pro řešení rozpoznávání řeči?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jaký hlavní problém byl navržen CTC pro řešení rozpoznávání řeči?
- Zarovnání nesegmentovaných zvukových snímků pro výstup textu bez popisků na úrovni snímků
- Komprese zvukových souborů pro ukládání
- Překlad řeči z jednoho jazyka do druhého
- Odstranění šumu na pozadí z nahrávek
- K čemu se používá speciální „prázdný“ token v CTC?
- Pouze pro označení konce celé věty
- Představuje „zde žádný nový výstup“ a odděluje skutečné opakující se znaky
- K uložení pravděpodobnosti jazykového modelu
- K označení ticha v původním zvukovém průběhu
- Jak CTC vypočítá ztrátu pro cílovou transkripci?
- Vybere jediné nejpravděpodobnější zarovnání a zbytek ignoruje
- Porovnává hodnoty pixelů snímek po snímku
- Sečte pravděpodobnosti všech platných cest snímků, které se sbalí do cílového textu
- Průměruje amplitudu zvuku v průběhu času
- Jaká jsou dvě pravidla pro sbalení, která CTC používá k přeměně dráhy snímku na konečný text?
- Pište velká písmena a poté přidejte interpunkci
- Obraťte sekvenci a poté odstraňte samohlásky
- Přidejte mezery a poté přeložte na fonémy
- Slučte po sobě jdoucí opakované znaky a poté odstraňte prázdné tokeny
- Jaký zjednodušující předpoklad dělá standardní CTC o svých výstupech?
- Predikce každého snímku je podmíněně nezávislá na ostatních vzhledem ke zvuku
- Výstupy silně závisí na dříve vyslaných znacích
- Zvuk musí být dlouhý přesně jednu sekundu
- Každá postava zabere přesně jeden snímek
- Proč je v CTC často preferováno paprskové vyhledávání s fúzovaným jazykovým modelem před chamtivým dekódováním?
- Na každém zařízení běží rychleji
- Kompenzuje nedostatek interního jazykového modelu CTC a zlepšuje přesnost
- Odstraňuje potřebu prázdného tokenu
- Odstraňuje potřebu trénovat síť
- What length constraint does CTC place on an output sequence relative to input frames?
- The target must always have exactly the same length as the input
- The target must contain twice as many labels as input frames
- The target cannot require more output labels than there are input time steps
- CTC requires a fixed 256-token output
- How can CTC compute the sum over many valid alignments without explicitly listing every path?
- By selecting one random path and ignoring all others
- By running a separate language model for every audio frame
- By sorting the transcript alphabetically
- Using a forward-backward dynamic-programming recurrence over an alignment lattice