แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการจำแนกแนวเพลง
ครอบคลุมการนำเสนอเสียง องค์ประกอบของ GTZAN ความคลุมเครือประเภท ความเสี่ยงการรั่วไหลของชุดข้อมูล และการประเมินข้อมูลที่ไม่เกี่ยวข้องกับศิลปิน
คำถาม 1 ของ 8
เมล-สเปกโตรแกรมที่ใช้กันทั่วไปเป็นอินพุตสำหรับโครงข่ายประสาทเทียมที่จำแนกประเภทคืออะไร
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- เมล-สเปกโตรแกรมที่ใช้กันทั่วไปเป็นอินพุตสำหรับโครงข่ายประสาทเทียมที่จำแนกประเภทคืออะไร
- ภาพความถี่ตามเวลาของเสียงโดยใช้ระดับระดับเสียงที่รับรู้
- รายชื่อเนื้อเพลงที่แปลงเป็นตัวเลข
- รูปคลื่นที่แสดงแอมพลิจูดดิบในช่วงเวลาหนึ่งเท่านั้น
- ฐานข้อมูลชื่อศิลปินและปีที่ออกผลงาน
- ชุดข้อมูลการวัดประสิทธิภาพแบบคลาสสิกใดที่มีคลิปความยาว 30 วินาทีจำนวน 1,000 คลิปจาก 10 แนวเพลง
- อิมเมจเน็ต
- จีทีซาน
- LibriSpeech
- โคโค่
- เหตุใดการบรรลุความแม่นยำในการจำแนกประเภทประเภทที่สมบูรณ์แบบจึงเป็นเรื่องยากโดยพื้นฐาน
- คอมพิวเตอร์ไม่สามารถประมวลผลเสียงได้เลย
- เพลงทั้งหมดมีเสียงเหมือนกันกับอัลกอริธึม
- ขอบเขตประเภทไม่ชัดเจนและเป็นอัตนัยทางวัฒนธรรม
- ไฟล์เสียงมีขนาดเล็กเกินกว่าจะวิเคราะห์ได้
- คุณลักษณะที่ประดิษฐ์ขึ้นด้วยมือข้อใดที่ใช้กันอย่างแพร่หลายในระบบการจำแนกประเภทประเภทแรกๆ
- อัตราการบีบอัด JPEG
- ความถี่แท็ก HTML
- ฮิสโตแกรมความสว่างของพิกเซล
- ค่าสัมประสิทธิ์เซปสตรัลความถี่เมล (MFCC)
- เลเยอร์ softmax ที่ส่วนท้ายของตัวแยกประเภทประเภทสร้างอะไร
- การกระจายความน่าจะเป็นของคลาสประเภท
- รูปแบบของคลื่นเสียงเดียว
- ไฟล์ MP3 ที่ถูกบีบอัด
- ภาพสเปกโตรแกรม
- 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
- 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
- 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