Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Konnekcionista időbeli osztályozási kvíz
Learn how CTC marginalizes alignments between unsegmented input frames and output sequences such as speech-recognition transcripts.
kérdés 1 -ból 8
Milyen alapvető probléma megoldására tervezték a CTC-t a beszédfelismeréssel kapcsolatban?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Milyen alapvető probléma megoldására tervezték a CTC-t a beszédfelismeréssel kapcsolatban?
- A szegmentálatlan hangkockák igazítása keretszintű címkék nélküli szöveg kimenetéhez
- Hangfájlok tömörítése tároláshoz
- Beszéd fordítása egyik nyelvről a másikra
- A háttérzaj eltávolítása a felvételekből
- Mire használják a speciális „üres” tokent a CTC-ben?
- Csak a teljes mondat végének megjelölésére
- A „nincs itt új kimenet” ábrázolása és a valódi ismétlődő karakterek elkülönítése
- A nyelvi modell valószínűségének tárolására
- A csend jelzésére az eredeti hanghullámban
- Hogyan számítja ki a CTC a céltranszkripció veszteségét?
- Kiválasztja a legvalószínűbb igazítást, és figyelmen kívül hagyja a többit
- Képkockánként összehasonlítja a pixelértékeket
- Összesíti az összes érvényes keretútvonal valószínűségét, amely összecsukódik a célszövegbe
- Idővel átlagolja a hang amplitúdóját
- Mi az a két összecsukási szabály, amelyet a CTC alkalmaz a keretútvonal végleges szöveggé alakításához?
- Írj nagybetűket, majd írj be írásjeleket
- Fordítsa meg a sorrendet, majd távolítsa el a magánhangzókat
- Adjon hozzá szóközöket, majd fordítsa le fonémákra
- Egyesítse az egymást követő ismétlődő karaktereket, majd törölje az üres tokeneket
- Milyen leegyszerűsítő feltételezést tesz a szabványos CTC a kimeneteiről?
- Minden egyes képkocka előrejelzése feltételesen független a többitől, adott hangon
- A kimenetek nagymértékben függenek a korábban kiadott karakterektől
- A hangnak pontosan egy másodperc hosszúnak kell lennie
- Minden karakter pontosan egy képkockát foglal el
- Miért részesítik gyakran előnyben a nyalábkeresést az összeolvasztott nyelvi modellel a mohó dekódolással szemben a CTC-ben?
- Minden eszközön gyorsabban fut
- Kompenzálja a CTC belső nyelvi modelljének hiányát, javítva a pontosságot
- Megszünteti az üres token szükségességét
- Kiküszöböli a hálózat betanításának szükségességét
- What length constraint does CTC place on an output sequence relative to input frames?
- The target must always have exactly the same length as the input
- The target must contain twice as many labels as input frames
- The target cannot require more output labels than there are input time steps
- CTC requires a fixed 256-token output
- How can CTC compute the sum over many valid alignments without explicitly listing every path?
- By selecting one random path and ignoring all others
- By running a separate language model for every audio frame
- By sorting the transcript alphabetically
- Using a forward-backward dynamic-programming recurrence over an alignment lattice