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.

Percorsi guida correlatiClassificazione dei generi musicali
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.

  1. 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
  2. Quale set di dati di benchmark classico contiene 1.000 clip di trenta secondi di 10 generi?
    • ImageNet
    • GTZAN
    • LibriSpeech
    • COCO
  3. 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
  4. 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)
  5. 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
  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