Quiz collegato alla guida · Medio Livello
Quiz sulla classificazione dei generi musicali
Copre rappresentazioni audio, composizione di GTZAN, ambiguità di genere, rischi di perdita di set di dati e valutazione su dati disgiunti tra artisti.
Domanda 1 di 8
Cos'è uno spettrogramma mel, comunemente usato come input per le reti neurali di classificazione del genere?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Cos'è uno spettrogramma mel, comunemente usato come input per le reti neurali di classificazione del genere?
- Un'immagine in frequenza temporale dell'audio che utilizza una scala di tonalità percettiva
- Un elenco di testi di canzoni convertiti in numeri
- Una forma d'onda che mostra l'ampiezza grezza solo nel tempo
- Un database di nomi di artisti e anni di uscita
- Quale set di dati di benchmark classico contiene 1.000 clip di trenta secondi di 10 generi?
- ImageNet
- GTZAN
- LibriSpeech
- COCO
- Perché è fondamentalmente difficile ottenere una perfetta precisione nella classificazione del genere?
- I computer non sono in grado di elaborare l'audio
- Tutte le canzoni suonano identiche agli algoritmi
- I confini dei generi sono confusi e culturalmente soggettivi
- I file audio sono troppo piccoli per essere analizzati
- Quale caratteristica artigianale era ampiamente utilizzata nei primi sistemi di classificazione dei generi?
- Rapporto di compressione JPEG
- Frequenza dei tag HTML
- Istogrammi della luminosità dei pixel
- Coefficienti cepstrali della frequenza mel (MFCC)
- Cosa produce un livello softmax alla fine di un classificatore di genere?
- Una distribuzione di probabilità sulle classi di genere
- Una singola forma d'onda audio
- Un file MP3 compresso
- Un'immagine dello spettrogramma
- 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
- 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
- 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