Rehber bağlantılı sınav · Orta Seviye

Conv-TasNet Zaman Etki Alanı Ayırma Testi

Conv-TasNet'in öğrenilmiş dalga biçimi kodlayıcısını, maskelenmiş ayırma özelliklerini, TCN ayırıcısını ve kıyaslama sonuçlarının kapsamını inceleyin.

İlgili kılavuz yollarıDönüşüm Tasnet Zaman Alanı Ayırma
Soru 1 arasında 8

Conv-TasNet'in önceki ayırma sistemleriyle karşılaştırıldığında belirleyici özelliği nedir?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. Conv-TasNet'in önceki ayırma sistemleriyle karşılaştırıldığında belirleyici özelliği nedir?
    • Sabit bir spektrogram yerine doğrudan ham dalga formu üzerinde çalışır
    • Eğitim verisi gerektirmez
    • Yalnızca müzikte çalışır, konuşmada değil
    • Önce sesi MIDI'ye dönüştürür
  2. Conv-TasNet ayırma modülü olarak ne tür bir ağ kullanıyor?
    • Tamamen bağlı tek bir katman
    • Bir Geçici Evrişim Ağı (yığılmış genişlemiş 1D evrişimler)
    • Bir karar ağacı topluluğu
    • Bir yayılma modeli
  3. Conv-TasNet'teki geleneksel Kısa Zamanlı Fourier Dönüşümünün yerini ne alıyor?
    • Bir dalgacık dönüşümü
    • Bir Hann penceresi
    • Öğrenilmiş bir 1 boyutlu evrişim kodlayıcı
    • Bir Mel filtre bankası
  4. Conv-TasNet eğitiminin merkezinde hangi kayıp fonksiyonu yer alır?
    • Kelime etiketlerinde çapraz entropi
    • Ortalama mutlak piksel hatası
    • Kontrastlı görüntü kaybı
    • Permütasyonla değişmeyen eğitimle ölçekle değişmeyen SI-SNR
  5. What did Conv-TasNet’s paper report about ideal time-frequency magnitude masks?
    • It surpassed several ideal magnitude masks in two-speaker separation evaluations
    • Mikrofon ihtiyacını ortadan kaldırdı
    • It only worked on one identical speaker
    • It used ideal masks as its encoder
  6. What does Conv-TasNet’s learned encoder produce for the separator?
    • A transcript of each speaker
    • A waveform representation optimized for speaker separation
    • A fixed mel image
    • A list of microphone locations
  7. What type of speech-separation task did the Conv-TasNet paper address?
    • Text-to-speech from a written prompt
    • Speaker identification from video frames
    • A single-channel mixture containing multiple speakers
    • Multichannel music transcription with MIDI output
  8. What allows Conv-TasNet’s TCN to model long-term speech dependencies?
    • A database lookup for every audio sample
    • A text decoder
    • A fixed Fourier transform alone
    • Stacked one-dimensional dilated convolutional blocks