Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ Διαχωρισμού Χρονικού Τομέα Conv-TasNet

Εξετάστε τον μαθημένο κωδικοποιητή κυματομορφής του Conv-TasNet, τα χαρακτηριστικά διαχωρισμού με μάσκα, το διαχωριστικό TCN και το εύρος των αποτελεσμάτων της συγκριτικής αξιολόγησης.

Σχετικές διαδρομές οδηγώνΔιαχωρισμός τομέα χρόνου μετατροπής Tasnet
Ερώτηση 1 του 8

Ποιο είναι το καθοριστικό χαρακτηριστικό του Conv-TasNet σε σύγκριση με παλαιότερα συστήματα διαχωρισμού;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Ποιο είναι το καθοριστικό χαρακτηριστικό του Conv-TasNet σε σύγκριση με παλαιότερα συστήματα διαχωρισμού;
    • Λειτουργεί απευθείας στην ακατέργαστη κυματομορφή αντί για ένα σταθερό φασματογράφημα
    • Δεν απαιτεί δεδομένα εκπαίδευσης
    • Λειτουργεί μόνο στη μουσική, όχι στην ομιλία
    • Μετατρέπει πρώτα τον ήχο σε MIDI
  2. Τι είδους δίκτυο χρησιμοποιεί το Conv-TasNet ως μονάδα διαχωρισμού;
    • Ένα ενιαίο πλήρως συνδεδεμένο στρώμα
    • Ένα προσωρινό συνελικτικό δίκτυο (στοιβαγμένες διευρυμένες 1D συνελίξεις)
    • Ένα σύνολο δέντρων αποφάσεων
    • Ένα μοντέλο διάχυσης
  3. Τι αντικαθιστά τον παραδοσιακό Short-Time Fourier Transform στο Conv-TasNet;
    • Ένας μετασχηματισμός κυματιδίου
    • Ένα παράθυρο Hann
    • Ένας μαθημένος κωδικοποιητής συνέλιξης 1D
    • Μια τράπεζα φίλτρων Mel
  4. Ποια λειτουργία απώλειας είναι κεντρική στην εκπαίδευση του Conv-TasNet;
    • Διασταυρούμενη εντροπία στις ετικέτες λέξεων
    • Μέσο απόλυτο σφάλμα pixel
    • Αντιθετική απώλεια εικόνας
    • Κλίμακα αμετάβλητο SI-SNR με εκπαίδευση μετάθεσης-αμετάβλητης
  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
    • Εξάλειψε την ανάγκη για μικρόφωνα
    • 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