Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Pemisahan Masa-Domain Conv-TasNet

Semak pengekod bentuk gelombang yang dipelajari oleh Conv-TasNet, ciri pemisahan bertopeng, pemisah TCN dan skop hasil penanda arasnya.

Laluan panduan yang berkaitanPenukaran Pemisahan Domain Masa Tasnet
soalan 1 daripada 8

Apakah ciri penentu bagi Conv-TasNet berbanding sistem pemisahan terdahulu?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah ciri penentu bagi Conv-TasNet berbanding sistem pemisahan terdahulu?
    • Ia beroperasi secara langsung pada bentuk gelombang mentah dan bukannya spektrogram tetap
    • Ia tidak memerlukan data latihan
    • Ia hanya berfungsi pada muzik, bukan pertuturan
    • Ia menukar audio kepada MIDI terlebih dahulu
  2. Apakah jenis rangkaian yang Conv-TasNet gunakan sebagai modul pemisahannya?
    • Satu lapisan bersambung sepenuhnya
    • Rangkaian Konvolusi Temporal (konvolusi 1D diluaskan bertindan)
    • Kumpulan pokok keputusan
    • Model resapan
  3. Apakah yang menggantikan Transformasi Fourier Masa Pendek tradisional dalam Conv-TasNet?
    • Transformasi wavelet
    • Sebuah tingkap Hann
    • Pengekod lilitan 1D yang dipelajari
    • Sebuah bank penapis Mel
  4. Fungsi kehilangan yang manakah penting untuk melatih Conv-TasNet?
    • Entropi silang pada label perkataan
    • Min ralat piksel mutlak
    • Kehilangan imej kontrastif
    • SI-SNR skala-invarian dengan latihan permutasi-invarian
  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
    • Ia menghapuskan keperluan untuk mikrofon
    • 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