Questionário vinculado ao guia · Médio Nível

Questionário de separação de domínio de tempo Conv-TasNet

Revise o codificador de forma de onda aprendido do Conv-TasNet, os recursos de separação mascarada, o separador TCN e o escopo de seus resultados de benchmark.

Caminhos de guia relacionadosSeparação de domínio de tempo Conv Tasnet
Pergunta 1 de 8

Qual é a característica definidora do Conv-TasNet em comparação com sistemas de separação anteriores?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. Qual é a característica definidora do Conv-TasNet em comparação com sistemas de separação anteriores?
    • Opera diretamente na forma de onda bruta em vez de um espectrograma fixo
    • Não requer dados de treinamento
    • Funciona apenas com música, não com fala
    • Ele converte o áudio para MIDI primeiro
  2. Que tipo de rede o Conv-TasNet usa como módulo de separação?
    • Uma única camada totalmente conectada
    • Uma Rede Convolucional Temporal (convoluções 1D dilatadas empilhadas)
    • Um conjunto de árvore de decisão
    • Um modelo de difusão
  3. O que substitui a tradicional Transformada de Fourier de Curto Tempo no Conv-TasNet?
    • Uma transformada wavelet
    • Uma janela Hann
    • Um codificador de convolução 1D aprendido
    • Um banco de filtros Mel
  4. Qual função de perda é central para o treinamento do Conv-TasNet?
    • Entropia cruzada em rótulos de palavras
    • Erro médio absoluto de pixel
    • Perda de imagem contrastante
    • SI-SNR invariante em escala com treinamento invariante em permutação
  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
    • Eliminou a necessidade de microfones
    • 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