Gids-gekoppelde quiz · Moeilijk Niveau
Permutatie-invariante trainingsquiz
Test hoe permutatie-invariante training omgaat met ongeordende luidsprekeruitvoer en waarom toewijzing op uitingsniveau van belang is tijdens de scheiding van meerdere sprekers.
Vraag 1 van 8
Welk kernprobleem lost permutatie-invariante training (PIT) op?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Welk kernprobleem lost permutatie-invariante training (PIT) op?
- Tijdens de training bepalen welk uitgangskanaal met welke luidspreker moet corresponderen
- Audio comprimeren voor opslag
- Het verlagen van de hardwarekosten voor de microfoon
- Gescheiden spraak naar tekst vertalen
- Hoe beslist PIT welke fout moet worden gebruikt bij het updaten van het model?
- Het middelt de fout over alle uitgangen gelijk
- Het probeert elke uitvoer-naar-bronkoppeling en behoudt degene met de laagste fout
- Het wijst altijd de luidste stem toe aan uitgang 1
- Het negeert de verwijzingen volledig
- Wat gebeurde er zonder een oplossing als PIT met de outputs van het scheidingsmodel?
- Ze werden meteen perfect schoon
- Ze renden veel sneller
- Ze produceerden wazige, gemiddelde resultaten vanwege conflicterende labeltoewijzingen
- Ze hadden geen trainingsgegevens nodig
- Hoeveel permutaties moet PIT per stap overwegen voor het scheiden van N luidsprekers?
- N (lineair in luidsprekers)
- N kwadraat
- Altijd precies twee
- N faculteit
- Welk voordeel biedt PIT op uitingsniveau (uPIT) ten opzichte van toewijzing op frameniveau?
- Het houdt een luidspreker gedurende de hele uiting in een stabiel uitgangskanaal
- Het elimineert de noodzaak van eventuele referenties
- Het werkt alleen op muziek, niet op spraak
- Het verdubbelt het aantal sprekers
- Welke aanpak kan het permutatieprobleem helemaal omzeilen?
- De audiobitsnelheid verhogen
- Doelluidsprekerextractie die conditioneert op een referentiestemsignaal
- Alleen mono-opnamen gebruiken
- Backpropagatie uitschakelen
- What extra inference step does utterance-level PIT avoid compared with frame-level PIT?
- Running speech recognition before source separation
- Estimating the number of microphones in the recording
- Solving an additional output-speaker permutation problem during inference
- Recomputing the training loss after every generated word
- Which benchmark does the guide name as an example for evaluating speech-separation models?
- LibriSpeech for single-speaker transcription
- ImageNet for visual recognition
- GLUE for language understanding
- WSJ0-2mix for overlapping-speaker separation