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.
- 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
- 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
- Mi váltja fel a hagyományos rövid idejű Fourier-transzformációt a Conv-TasNetben?
- Egy wavelet transzformáció
- Hann ablak
- Tanult 1D-konvolúciós kódoló
- Egy Mel szűrőbank
- Melyik veszteségfüggvény központi szerepet játszik a Conv-TasNet képzésében?
- Keresztentrópia a szócímkéken
- Átlagos abszolút pixelhiba
- Kontrasztos képvesztés
- Skálainvariáns SI-SNR permutációinvariáns betanítással
- 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
- 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
- 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
- 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