Викторина, связанная с руководством · Средний Уровень

Викторина по классификации музыкальных жанров

Охватывает аудиопредставления, композицию GTZAN, жанровую неоднозначность, риски утечки наборов данных и оценку непересекающихся данных об исполнителях.

Связанные направляющие путиКлассификация музыкальных жанров
Вопрос 1 из 8

Что такое мел-спектрограмма, обычно используемая в качестве входных данных для нейронных сетей, классифицирующих жанры?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Что такое мел-спектрограмма, обычно используемая в качестве входных данных для нейронных сетей, классифицирующих жанры?
    • Частотно-временное изображение звука с использованием шкалы восприятия высоты звука.
    • Список текстов песен, преобразованных в числа
    • Форма сигнала, показывающая только необработанную амплитуду во времени.
    • База данных имен исполнителей и годов выпуска.
  2. Какой набор классических эталонных данных содержит 1000 тридцатисекундных клипов 10 жанров?
    • ImageNet
    • ГТЗАН
    • LibriРечь
    • КОКО
  3. Почему добиться идеальной точности классификации жанров принципиально сложно?
    • Компьютеры вообще не могут обрабатывать звук
    • Все песни звучат идентично алгоритмам
    • Границы жанров размыты и культурно субъективны.
    • Аудиофайлы слишком малы для анализа
  4. Какая особенность ручной работы широко использовалась в ранних системах классификации жанров?
    • Степень сжатия JPEG
    • Частота HTML-тегов
    • Гистограммы яркости пикселей
    • Мел-частотные кепстральные коэффициенты (MFCC)
  5. Что дает слой softmax в конце классификатора жанров?
    • Распределение вероятностей по жанровым классам
    • Один звуковой сигнал
    • Сжатый файл MP3
    • Изображение спектрограммы
  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