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.
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.
- 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
- Welke klassieke benchmarkdataset bevat 1000 clips van dertig seconden in 10 genres?
- BeeldNet
- GTZAN
- LibriSpeech
- COCO
- 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
- Welke handgemaakte functie werd veel gebruikt in vroege genreclassificatiesystemen?
- JPEG-compressieverhouding
- Frequentie van HTML-tags
- Histogrammen voor pixelhelderheid
- Mel-frequentie cepstrale coëfficiënten (MFCC's)
- 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
- 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
- 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
- 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