Quiz dotyczący klasyfikacji gatunków muzycznych

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Co to jest spektrogram melowy, powszechnie używany jako dane wejściowe w sieciach neuronowych klasyfikujących gatunki?
   • Obraz czasowo-częstotliwościowy dźwięku przy użyciu percepcyjnej skali wysokości dźwięku
   • Lista tekstów piosenek przekonwertowana na liczby
   • Przebieg pokazujący surową amplitudę tylko w czasie
   • Baza danych nazwisk artystów i lat wydania
2. Który klasyczny zestaw danych porównawczych zawiera 1000 trzydziestosekundowych klipów z 10 gatunków?
   • ImageNet
   • GTZAN
   • LibriSpeech
   • COKO
3. Dlaczego osiągnięcie doskonałej dokładności klasyfikacji gatunkowej jest zasadniczo trudne?
   • Komputery w ogóle nie są w stanie przetwarzać dźwięku
   • Wszystkie utwory brzmią identycznie jak algorytmy
   • Granice gatunków są niejasne i kulturowo subiektywne
   • Pliki audio są zbyt małe, aby je analizować
4. Która ręcznie wykonana funkcja była szeroko stosowana we wczesnych systemach klasyfikacji gatunków?
   • Współczynnik kompresji JPEG
   • Częstotliwość tagów HTML
   • Histogramy jasności pikseli
   • Współczynniki cepstralne częstotliwości Mel (MFCC)
5. Co tworzy warstwa softmax na końcu klasyfikatora gatunku?
   • Rozkład prawdopodobieństwa według klas gatunków
   • Pojedynczy przebieg audio
   • Skompresowany plik MP3
   • Obraz spektrogramu
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