Gids-gekoppelde quiz · Middelmatig Niveau

Muziekgenreclassificatie Quiz

Omvat audiorepresentaties, de compositie van GTZAN, genre-ambiguïteit, risico's op het lekken van datasets en evaluatie van niet-samenhangende artiestengegevens.

Gerelateerde gidspadenClassificatie van muziekgenres
Vraag 1 van 8

Wat is een mel-spectrogram, dat vaak wordt gebruikt als input voor het classificeren van neurale netwerken?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Wat is een mel-spectrogram, dat vaak wordt gebruikt als input voor het classificeren van neurale netwerken?
    • Een tijdfrequentiebeeld van audio met behulp van een perceptuele toonhoogteschaal
    • Een lijst met songteksten omgezet in cijfers
    • Een golfvorm die alleen de ruwe amplitude in de loop van de tijd weergeeft
    • Een database met artiestennamen en releasejaren
  2. Welke klassieke benchmarkdataset bevat 1000 clips van dertig seconden in 10 genres?
    • BeeldNet
    • GTZAN
    • LibriSpeech
    • COCO
  3. Waarom is het fundamenteel moeilijk om een perfecte nauwkeurigheid van de genreclassificatie te bereiken?
    • Computers kunnen helemaal geen audio verwerken
    • Alle nummers klinken identiek aan algoritmen
    • Genregrenzen zijn vaag en cultureel subjectief
    • Audiobestanden zijn te klein om te analyseren
  4. Welke handgemaakte functie werd veel gebruikt in vroege genreclassificatiesystemen?
    • JPEG-compressieverhouding
    • Frequentie van HTML-tags
    • Histogrammen voor pixelhelderheid
    • Mel-frequentie cepstrale coëfficiënten (MFCC's)
  5. Wat levert een softmax-laag aan het einde van een genreclassificator op?
    • Een waarschijnlijkheidsverdeling over genreklassen
    • Eén enkele audiogolfvorm
    • Een gecomprimeerd MP3-bestand
    • Een spectrogrambeeld
  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