Quiz collegato alla guida · Medio Livello

Quiz sulla separazione del dominio del tempo Conv-TasNet

Esamina il codificatore della forma d'onda appreso da Conv-TasNet, le funzionalità di separazione mascherata, il separatore TCN e l'ambito dei suoi risultati di benchmark.

Domanda 1 di 8

Qual è la caratteristica distintiva di Conv-TasNet rispetto ai precedenti sistemi di separazione?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  1. Qual è la caratteristica distintiva di Conv-TasNet rispetto ai precedenti sistemi di separazione?
    • Funziona direttamente sulla forma d'onda grezza invece che su uno spettrogramma fisso
    • Non richiede dati di addestramento
    • Funziona solo con la musica, non con il parlato
    • Converte prima l'audio in MIDI
  2. Che tipo di rete utilizza Conv-TasNet come modulo di separazione?
    • Un singolo livello completamente connesso
    • Una rete convoluzionale temporale (convoluzioni 1D dilatate impilate)
    • Un insieme di alberi decisionali
    • Un modello di diffusione
  3. Cosa sostituisce la tradizionale trasformata di Fourier a breve termine in Conv-TasNet?
    • Una trasformata wavelet
    • Una finestra di Hann
    • Un codificatore di convoluzione 1D appreso
    • Un banco di filtri Mel
  4. Quale funzione di perdita è centrale per la formazione di Conv-TasNet?
    • Entropia incrociata sulle etichette delle parole
    • Errore assoluto medio dei pixel
    • Perdita dell'immagine contrastiva
    • SI-SNR invariante di scala con training invariante per permutazione
  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
    • Ha eliminato la necessità di microfoni
    • 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