แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ
แบบทดสอบการฝึกอบรมการเรียงสับเปลี่ยนคงที่
ทดสอบว่าการฝึกอบรมการเรียงสับเปลี่ยนที่ไม่แปรผันจะจัดการกับเอาต์พุตของลำโพงที่ไม่เรียงลำดับได้อย่างไร และเหตุใดการกำหนดระดับคำพูดจึงมีความสำคัญในระหว่างการแยกผู้พูดหลายคน
คำถาม 1 ของ 8
การฝึกอบรมแบบไม่แปรผันของการเรียงสับเปลี่ยน (PIT) แก้ปัญหาหลักอะไร
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- การฝึกอบรมแบบไม่แปรผันของการเรียงสับเปลี่ยน (PIT) แก้ปัญหาหลักอะไร
- ตัดสินใจว่าช่องสัญญาณเอาท์พุตใดควรตรงกับลำโพงตัวใดในระหว่างการฝึกอบรม
- การบีบอัดเสียงเพื่อการจัดเก็บ
- การลดต้นทุนฮาร์ดแวร์ไมโครโฟน
- การแปลคำพูดที่แยกจากกันเป็นข้อความ
- PIT ตัดสินใจอย่างไรว่าจะใช้ข้อผิดพลาดใดเมื่ออัปเดตโมเดล
- โดยจะเฉลี่ยข้อผิดพลาดในเอาต์พุตทั้งหมดเท่าๆ กัน
- โดยจะพยายามจับคู่เอาต์พุตกับแหล่งที่มาทุกรายการ และเก็บรายการที่มีข้อผิดพลาดน้อยที่สุดไว้
- มันจะกำหนดเสียงที่ดังที่สุดให้กับเอาต์พุต 1 เสมอ
- โดยจะละเว้นการอ้างอิงทั้งหมด
- หากไม่มีโซลูชันเช่น PIT จะเกิดอะไรขึ้นกับเอาต์พุตโมเดลการแยก
- พวกเขาสะอาดหมดจดทันที
- พวกเขาวิ่งเร็วขึ้นมาก
- พวกเขาสร้างผลลัพธ์ที่พร่ามัวและเป็นค่าเฉลี่ยเนื่องจากการกำหนดป้ายกำกับที่ขัดแย้งกัน
- พวกเขาไม่ต้องการข้อมูลการฝึกอบรม
- ในการแยกลำโพง N ต้องพิจารณาการเรียงสับเปลี่ยนกี่ครั้งต่อขั้นตอน
- N (เชิงเส้นในลำโพง)
- ยังไม่มีข้อความ กำลังสอง
- สองเสมอ
- ยังไม่มีข้อความแฟคทอเรียล
- PIT ระดับคำพูด (uPIT) เพิ่มข้อได้เปรียบเหนือการกำหนดระดับเฟรมอย่างไร
- ช่วยให้ลำโพงอยู่ในช่องสัญญาณเอาต์พุตที่เสถียรตลอดทั้งเสียงพูด
- โดยจะขจัดความจำเป็นในการอ้างอิงใดๆ
- ใช้ได้กับดนตรีเท่านั้น ไม่ใช่คำพูด
- มันเพิ่มจำนวนผู้พูดเป็นสองเท่า
- แนวทางใดที่สามารถหลีกเลี่ยงปัญหาการเรียงสับเปลี่ยนได้ทั้งหมด
- การเพิ่มบิตเรตของเสียง
- การแยกลำโพงเป้าหมายซึ่งมีเงื่อนไขในคิวเสียงอ้างอิง
- ใช้การบันทึกแบบโมโนเท่านั้น
- ปิดการใช้งานการเผยแพร่ย้อนกลับ
- 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