Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ ταξινόμησης ειδών μουσικής

Καλύπτει ηχητικές αναπαραστάσεις, τη σύνθεση του GTZAN, την ασάφεια του είδους, τους κινδύνους διαρροής δεδομένων και την αξιολόγηση σε δεδομένα διαφορετικών καλλιτεχνών.

Σχετικές διαδρομές οδηγώνΤαξινόμηση ειδών μουσικής
Ερώτηση 1 του 8

Τι είναι ένα φασματογράφημα mel, που χρησιμοποιείται συνήθως ως είσοδος στα νευρωνικά δίκτυα ταξινόμησης ειδών;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Τι είναι ένα φασματογράφημα mel, που χρησιμοποιείται συνήθως ως είσοδος στα νευρωνικά δίκτυα ταξινόμησης ειδών;
    • Μια εικόνα χρόνου-συχνότητας ήχου χρησιμοποιώντας μια κλίμακα αντιληπτικού τόνου
    • Μια λίστα με στίχους τραγουδιών που έχουν μετατραπεί σε αριθμούς
    • Μια κυματομορφή που δείχνει ακατέργαστο πλάτος μόνο με την πάροδο του χρόνου
    • Μια βάση δεδομένων με ονόματα καλλιτεχνών και χρόνια κυκλοφορίας
  2. Ποιο κλασικό σύνολο δεδομένων αναφοράς περιέχει 1.000 κλιπ τριάντα δευτερολέπτων σε 10 είδη;
    • ImageNet
    • ΓΤΖΑΝ
    • LibriSpeech
    • ΚΟΚΟ
  3. Γιατί είναι θεμελιωδώς δύσκολη η επίτευξη τέλειας ακρίβειας ταξινόμησης του είδους;
    • Οι υπολογιστές δεν μπορούν να επεξεργαστούν καθόλου τον ήχο
    • Όλα τα τραγούδια ακούγονται πανομοιότυπα με τους αλγόριθμους
    • Τα όρια του είδους είναι ασαφή και πολιτιστικά υποκειμενικά
    • Τα αρχεία ήχου είναι πολύ μικρά για ανάλυση
  4. Ποιο χειροποίητο χαρακτηριστικό χρησιμοποιήθηκε ευρέως στα πρώιμα συστήματα ταξινόμησης ειδών;
    • Αναλογία συμπίεσης JPEG
    • Συχνότητα ετικετών HTML
    • Ιστογράμματα φωτεινότητας pixel
    • Μελ-συχνότητα εγκεφαλικοί συντελεστές (MFCCs)
  5. Τι παράγει ένα στρώμα softmax στο τέλος ενός ταξινομητή είδους;
    • Μια κατανομή πιθανοτήτων σε κατηγορίες ειδών
    • Μια ενιαία ακουστική κυματομορφή
    • Ένα συμπιεσμένο αρχείο MP3
    • Μια εικόνα φασματογράμματος
  6. 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
  7. 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
  8. 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