Quiz lié à un guide · Moyen Niveau

Quiz sur la classification des genres musicaux

Couvre les représentations audio, la composition de GTZAN, l'ambiguïté du genre, les risques de fuite d'ensembles de données et l'évaluation des données disjointes des artistes.

Chemins de guidage associésClassification des genres musicaux
Question 1 de 8

Qu'est-ce qu'un mel-spectrogramme, couramment utilisé comme entrée dans les réseaux neuronaux de classification des genres ?

Prévisualisez chaque question8 des questions

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

  1. Qu'est-ce qu'un mel-spectrogramme, couramment utilisé comme entrée dans les réseaux neuronaux de classification des genres ?
    • Une image temps-fréquence de l'audio utilisant une échelle de hauteur perceptuelle
    • Une liste de paroles de chansons converties en nombres
    • Une forme d'onde montrant l'amplitude brute dans le temps uniquement
    • Une base de données de noms d'artistes et d'années de sortie
  2. Quel ensemble de données de référence classique contient 1 000 clips de trente secondes répartis dans 10 genres ?
    • ImageNet
    • GTZAN
    • LibriDiscours
    • COCO
  3. Pourquoi est-il fondamentalement difficile d’obtenir une classification parfaite des genres ?
    • Les ordinateurs ne peuvent pas du tout traiter l'audio
    • Toutes les chansons sonnent de manière identique aux algorithmes
    • Les frontières entre les genres sont floues et culturellement subjectives
    • Les fichiers audio sont trop petits pour être analysés
  4. Quelle fonctionnalité artisanale a été largement utilisée dans les premiers systèmes de classification des genres ?
    • Taux de compression JPEG
    • Fréquence des balises HTML
    • Histogrammes de luminosité des pixels
    • Coefficients cepstraux à fréquence Mel (MFCC)
  5. Que produit une couche softmax à la fin d’un classificateur de genre ?
    • Une distribution de probabilité sur les classes de genre
    • Une seule forme d'onde audio
    • Un fichier MP3 compressé
    • Une image de spectrogramme
  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