Questionário de classificação de gênero musical

As respostas e explicações aparecem conforme você responde ao teste.

1. O que é um espectrograma mel, comumente usado como entrada para redes neurais de classificação de gênero?
   • Uma imagem de áudio de frequência de tempo usando uma escala de pitch perceptivo
   • Uma lista de letras de músicas convertidas em números
   • Uma forma de onda mostrando amplitude bruta apenas ao longo do tempo
   • Um banco de dados de nomes de artistas e anos de lançamento
2. Qual conjunto de dados de benchmark clássico contém 1.000 clipes de trinta segundos em 10 gêneros?
   • ImageNet
   • GTZAN
   • LibriSpeech
   • COCO
3. Por que é fundamentalmente difícil alcançar uma precisão perfeita na classificação de gênero?
   • Os computadores não conseguem processar áudio
   • Todas as músicas soam idênticas aos algoritmos
   • As fronteiras dos gêneros são confusas e culturalmente subjetivas
   • Os arquivos de áudio são muito pequenos para serem analisados
4. Qual recurso artesanal foi amplamente utilizado nos primeiros sistemas de classificação de gênero?
   • Taxa de compressão JPEG
   • Frequência da tag HTML
   • Histogramas de brilho de pixel
   • Coeficientes cepstrais de frequência Mel (MFCCs)
5. O que produz uma camada softmax no final de um classificador de gênero?
   • Uma distribuição de probabilidade sobre classes de gênero
   • Uma única forma de onda de áudio
   • Um arquivo MP3 compactado
   • Uma imagem de espectrograma
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 são as probabilidades finais do gênero do modelo
   • Um espectrograma mel remove totalmente o eixo do tempo
   • Os MFCCs medem apenas o tamanho do arquivo da gravação
   • Os MFCCs resumem o espectro log-mel com coeficientes cepstrais