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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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