Quiz połączony z przewodnikiem · Średni Poziom

Quiz dotyczący separacji domeny czasowej Conv-TasNet

Zapoznaj się z wyuczonym koderem przebiegów Conv-TasNet, funkcjami maskowanej separacji, separatorem TCN i zakresem wyników testów porównawczych.

Powiązane ścieżki prowadząceKonw. Tasnet Separacja domeny czasowej
Pytanie 1 z 8

Jaka jest cecha wyróżniająca Conv-TasNet w porównaniu do wcześniejszych systemów separacji?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Jaka jest cecha wyróżniająca Conv-TasNet w porównaniu do wcześniejszych systemów separacji?
    • Działa bezpośrednio na surowym przebiegu zamiast na stałym spektrogramie
    • Nie wymaga danych treningowych
    • Działa tylko na muzykę, nie na mowę
    • Najpierw konwertuje dźwięk na MIDI
  2. Jakiego rodzaju sieci Conv-TasNet używa jako modułu separacji?
    • Pojedyncza, w pełni połączona warstwa
    • Tymczasowa sieć splotowa (skumulowane rozszerzone sploty 1D)
    • Zespół drzewa decyzyjnego
    • Model dyfuzyjny
  3. Co zastępuje tradycyjną krótkoterminową transformatę Fouriera w Conv-TasNet?
    • Transformacja falkowa
    • Okno Hanna
    • Wyuczony koder splotu 1D
    • Bank filtrów Mel
  4. Która funkcja straty ma kluczowe znaczenie w szkoleniu Conv-TasNet?
    • Entropia krzyżowa na etykietach słów
    • Średni bezwzględny błąd piksela
    • Utrata kontrastowego obrazu
    • Niezmienny względem skali SI-SNR ze szkoleniem niezmienniczym permutacyjnym
  5. What did Conv-TasNet’s paper report about ideal time-frequency magnitude masks?
    • It surpassed several ideal magnitude masks in two-speaker separation evaluations
    • Wyeliminowało to potrzebę stosowania mikrofonów
    • It only worked on one identical speaker
    • It used ideal masks as its encoder
  6. 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
  7. 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
  8. 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