Quiz collegato alla guida · Medio Livello
Quiz sulla separazione RNN a doppio percorso
Esamina i blocchi sovrapposti di DPRNN, la ricorrenza intra e inter-chunk, la ricostruzione con aggiunta di sovrapposizioni e i risultati con ambito benchmark.
Domanda 1 di 8
Quale problema risolve principalmente il Dual-Path RNN?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Quale problema risolve principalmente il Dual-Path RNN?
- Modellazione di sequenze audio estremamente lunghe che travolgono una singola RNN
- Generazione di nuova musica dal testo
- Compressione di file audio per l'archiviazione
- Rilevamento della lingua parlata
- Quali sono i due "percorsi" in una RNN a doppio percorso?
- Codificatore e decodificatore
- Ricorrenza intra-chunk (locale) e inter-chunk (globale).
- Riproduzione audio in avanti e all'indietro
- Percorsi formativi e di inferenza
- Come viene preparata la lunga sequenza di funzionalità prima dei blocchi a doppio percorso?
- Viene convertito in un singolo vettore medio
- Viene trasformato in token di testo
- È segmentato in brevi pezzi sovrapposti che formano una griglia 2D
- Viene sottoposto a downsampling a un campione
- In quale framework esistente è stato inserito DPRNN in sostituzione del separatore?
- Un modello di immagine di diffusione
- Solo un decodificatore di sintesi vocale
- Un vocoder basato su GAN
- Il framework codificatore/decodificatore Conv-TasNet
- Quale modello successivo ha mantenuto la struttura a doppio percorso di DPRNN ma ha sostituito gli RNN con Transformers?
- SepEx
- WaveNet
- BERT
- Tacotron
- Perché l'elaborazione in blocchi aiuta la stabilità dell'allenamento?
- Elimina la necessità di qualsiasi funzione di perdita
- Ogni RNN vede solo una breve sottosequenza, evitando catene di backprop molto lunghe
- Elimina automaticamente tutti gli altoparlanti sovrapposti
- Converte l'audio in immagini
- How are processed overlapping chunks recombined into the output sequence?
- By sorting them alphabetically
- By averaging all chunks into one frame
- By overlap-add across the chunk positions
- By converting them into text tokens
- On which benchmark did the DPRNN paper report its 20-times-smaller model comparison?
- MUSDB18
- ImageNet
- LibriTTS
- WSJ0-2mix