Test legat de ghid · Greu Nivel
Test de antrenament invariant de permutare
Testați modul în care antrenamentul fără permutare gestionează ieșirile neordonate ale difuzorului și de ce este importantă atribuirea la nivel de enunț în timpul separării cu mai mulți vorbitori.
Întrebare 1 de 8
Ce problemă de bază rezolvă antrenamentul invariant al permutării (PIT)?
Previzualizează fiecare întrebare8 întrebări
Răspunsurile și explicațiile apar pe măsură ce susțineți testul.
- Ce problemă de bază rezolvă antrenamentul invariant al permutării (PIT)?
- Deciderea canalului de ieșire care trebuie să corespundă cu care difuzor în timpul antrenamentului
- Comprimarea sunetului pentru stocare
- Reducerea costurilor cu hardware-ul microfonului
- Traducerea vorbirii separate în text
- Cum decide PIT ce eroare să folosească la actualizarea modelului?
- Mediază eroarea pentru toate ieșirile în mod egal
- Încearcă fiecare împerechere ieșire-sursă și o păstrează pe cea cu cea mai mică eroare
- Întotdeauna atribuie cea mai tare voce la ieșirea 1
- Ignoră în totalitate referințele
- Fără o soluție precum PIT, ce s-a întâmplat cu ieșirile modelului de separare?
- Au devenit perfect curate imediat
- Au alergat mult mai repede
- Au produs rezultate neclare, medii din cauza atribuirilor de etichete conflictuale
- Nu necesitau date de antrenament
- Pentru separarea N difuzoare, câte permutări trebuie să ia în considerare PIT pe pas?
- N (liniar în difuzoare)
- N pătrat
- Întotdeauna exact doi
- factorial N
- Ce avantaj adaugă PIT la nivel de rostire (uPIT) față de atribuirea la nivel de cadru?
- Păstrează un difuzor într-un canal de ieșire stabil pe toată durata rostirii
- Îndepărtează necesitatea oricăror referințe
- Funcționează doar pe muzică, nu pe vorbire
- Dublează numărul de difuzoare
- Care abordare poate evita cu totul problema permutării?
- Creșterea ratei de biți audio
- Extragerea vorbitorului țintă care condiționează un semnal vocal de referință
- Folosind numai înregistrări mono
- Dezactivarea propagării inverse
- 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