Kuis terkait panduan · Sedang Tingkat

Kuis Klasifikasi Genre Musik

Meliputi representasi audio, komposisi GTZAN, ambiguitas genre, risiko kebocoran kumpulan data, dan evaluasi data artis yang terputus-putus.

Jalur panduan terkaitKlasifikasi Genre Musik
Pertanyaan 1 dari 8

Apa yang dimaksud dengan mel-spektogram, yang biasa digunakan sebagai masukan untuk jaringan saraf pengklasifikasi genre?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Apa yang dimaksud dengan mel-spektogram, yang biasa digunakan sebagai masukan untuk jaringan saraf pengklasifikasi genre?
    • Gambar audio frekuensi waktu menggunakan skala nada persepsi
    • Daftar lirik lagu diubah menjadi angka
    • Bentuk gelombang yang menunjukkan amplitudo mentah hanya dari waktu ke waktu
    • Database nama artis dan tahun rilis
  2. Kumpulan data benchmark klasik manakah yang berisi 1.000 klip berdurasi tiga puluh detik dalam 10 genre?
    • GambarNet
    • GTZAN
    • PerpustakaanPidato
    • kelapa
  3. Mengapa mencapai akurasi klasifikasi genre yang sempurna pada dasarnya sulit?
    • Komputer tidak dapat memproses audio sama sekali
    • Semua lagu terdengar identik dengan algoritma
    • Batasan genre tidak jelas dan subjektif secara budaya
    • File audio terlalu kecil untuk dianalisis
  4. Fitur buatan tangan manakah yang banyak digunakan dalam sistem klasifikasi genre awal?
    • Rasio kompresi JPEG
    • Frekuensi tag HTML
    • Histogram kecerahan piksel
    • Koefisien cepstral frekuensi mel (MFCC)
  5. Apa yang dihasilkan oleh lapisan softmax di akhir pengklasifikasi genre?
    • Distribusi probabilitas berdasarkan kelas genre
    • Bentuk gelombang audio tunggal
    • File MP3 terkompresi
    • Gambar spektogram
  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