Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Klasifikasi Genre Muzik

Meliputi perwakilan audio, gubahan GTZAN, kekaburan genre, risiko kebocoran set data dan penilaian pada data terputus-putus artis.

Laluan panduan yang berkaitanKlasifikasi Genre Muzik
soalan 1 daripada 8

Apakah spektrogram mel, yang biasa digunakan sebagai input kepada rangkaian neural pengelasan genre?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah spektrogram mel, yang biasa digunakan sebagai input kepada rangkaian neural pengelasan genre?
    • Imej audio frekuensi masa menggunakan skala nada persepsi
    • Senarai lirik lagu yang ditukar kepada nombor
    • Bentuk gelombang yang menunjukkan amplitud mentah sepanjang masa sahaja
    • Pangkalan data nama artis dan tahun keluaran
  2. Set data penanda aras klasik manakah yang mengandungi 1,000 klip tiga puluh saat merentas 10 genre?
    • ImageNet
    • GTZAN
    • LibriSpeech
    • COCO
  3. Mengapakah untuk mencapai ketepatan klasifikasi genre yang sempurna pada asasnya sukar?
    • Komputer tidak boleh memproses audio sama sekali
    • Semua lagu berbunyi sama dengan algoritma
    • Sempadan genre adalah kabur dan subjektif dari segi budaya
    • Fail audio terlalu kecil untuk dianalisis
  4. Ciri buatan tangan yang manakah digunakan secara meluas dalam sistem pengelasan genre awal?
    • Nisbah mampatan JPEG
    • kekerapan tag HTML
    • Histogram kecerahan piksel
    • Pekali cepstral frekuensi-mel (MFCCs)
  5. Apakah yang dihasilkan oleh lapisan softmax pada penghujung pengelas genre?
    • Taburan kebarangkalian ke atas kelas genre
    • Satu bentuk gelombang audio
    • Fail MP3 yang dimampatkan
    • Imej spektrogram
  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