Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Conv-TasNet idő-domain szétválasztási kvíz

Review Conv-TasNet’s learned waveform encoder, masked separation features, TCN separator, and the scope of its benchmark results.

kérdés 1 -ból 8

Mi a Conv-TasNet meghatározó jellemzője a korábbi elválasztó rendszerekhez képest?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mi a Conv-TasNet meghatározó jellemzője a korábbi elválasztó rendszerekhez képest?
    • Rögzített spektrogram helyett közvetlenül a nyers hullámformán működik
    • Nem igényel edzési adatokat
    • Csak zenére működik, beszédre nem
    • Először a hangot MIDI-vé alakítja
  2. Milyen hálózatot használ a Conv-TasNet elválasztó modulként?
    • Egyetlen, teljesen összekapcsolt réteg
    • Időbeli konvolúciós hálózat (halmozott dilatált 1D konvolúciók)
    • Döntési fa együttes
    • Egy diffúziós modell
  3. Mi váltja fel a hagyományos rövid idejű Fourier-transzformációt a Conv-TasNetben?
    • Egy wavelet transzformáció
    • Hann ablak
    • Tanult 1D-konvolúciós kódoló
    • Egy Mel szűrőbank
  4. Melyik veszteségfüggvény központi szerepet játszik a Conv-TasNet képzésében?
    • Keresztentrópia a szócímkéken
    • Átlagos abszolút pixelhiba
    • Kontrasztos képvesztés
    • Skálainvariáns SI-SNR permutációinvariáns betanítással
  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
    • Megszüntette a mikrofonok használatát
    • 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