Kvíz spojený s průvodcem · Střední úroveň

Conv-TasNet kvíz o oddělení časových domén

Prohlédněte si naučený kodér křivek Conv-TasNet, maskované separační funkce, TCN separátor a rozsah jeho benchmarkových výsledků.

Související vodicí cestyConv Tasnet časová doménová separace
Otázka 1 z 8

Jaká je definující vlastnost Conv-TasNet ve srovnání s dřívějšími separačními systémy?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jaká je definující vlastnost Conv-TasNet ve srovnání s dřívějšími separačními systémy?
    • Pracuje přímo s nezpracovaným průběhem namísto pevného spektrogramu
    • Nevyžaduje žádná tréninková data
    • Funguje pouze na hudbu, ne na řeč
    • Nejprve převede zvuk na MIDI
  2. Jaký druh sítě používá Conv-TasNet jako separační modul?
    • Jedna plně propojená vrstva
    • Časová konvoluční síť (skládané dilatované 1D konvoluce)
    • Soubor rozhodovacího stromu
    • Difúzní model
  3. Co nahrazuje tradiční krátkodobou Fourierovu transformaci v Conv-TasNet?
    • Waveletová transformace
    • Hannovo okno
    • Naučený 1D-konvoluční kodér
    • Banka filtrů Mel
  4. Která ztrátová funkce je zásadní pro trénink Conv-TasNet?
    • Křížová entropie na slovních štítcích
    • Průměrná absolutní chyba pixelu
    • Ztráta kontrastního obrazu
    • Škálově invariantní SI-SNR s permutačně invariantním tréninkem
  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
    • To eliminovalo potřebu mikrofonů
    • 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