Kvíz spojený s průvodcem · Střední úroveň
Klasifikační kvíz hudebního žánru
Zahrnuje zvukové reprezentace, složení GTZAN, žánrovou nejednoznačnost, rizika úniku datové sady a vyhodnocení na datech nesouvisejících umělců.
Otázka 1 z 8
Co je to mel-spektrogram, běžně používaný jako vstup do žánrově klasifikujících neuronových sítí?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Co je to mel-spektrogram, běžně používaný jako vstup do žánrově klasifikujících neuronových sítí?
- Časově frekvenční obraz zvuku pomocí percepční stupnice výšky tónu
- Seznam textů písní převedených na čísla
- Křivka zobrazující nezpracovanou amplitudu pouze v průběhu času
- Databáze jmen umělců a roků vydání
- Který klasický benchmark dataset obsahuje 1000 třicetisekundových klipů napříč 10 žánry?
- ImageNet
- GTZAN
- LibriSpeech
- COCO
- Proč je dosažení dokonalé přesnosti žánrového zařazení zásadně obtížné?
- Počítače neumí zpracovávat zvuk vůbec
- Všechny skladby znějí stejně jako algoritmy
- Žánrové hranice jsou nejasné a kulturně subjektivní
- Zvukové soubory jsou příliš malé na analýzu
- Který ručně vyrobený prvek byl široce používán v raných systémech klasifikace žánrů?
- Kompresní poměr JPEG
- Frekvence HTML tagů
- Histogramy jasu pixelů
- Mel-frekvenční kepstrální koeficienty (MFCC)
- Co produkuje vrstva softmax na konci žánrového klasifikátoru?
- Rozdělení pravděpodobnosti mezi žánrové třídy
- Jediný zvukový průběh
- Komprimovaný soubor MP3
- Spektrogramový snímek
- How can self-supervised music pretraining reduce dependence on labeled genre examples?
- It eliminates the need to evaluate genre labels
- It can learn audio representations from unlabeled music, which are then evaluated or fine-tuned with labeled examples
- It guarantees correct labels for every song
- It converts genre categories into universal facts
- How can exact or repeated excerpts in GTZAN distort a random train/test evaluation?
- They ensure that every genre label is objective
- They make the test set contain more genres than training
- If repetitions cross the split, a model may see duplicate or near-duplicate material in both sets
- They remove any need to inspect class labels
- How do MFCCs differ from a mel-spectrogram representation?
- MFCCs are the model’s final genre probabilities
- A mel-spectrogram removes the time axis entirely
- MFCCs measure only the recording’s file size
- MFCCs summarize the log-mel spectrum with cepstral coefficients