Rehber bağlantılı sınav · Sert Seviye
Permütasyon Değişmez Eğitim Sınavı
Permütasyonla değişmeyen eğitimin sırasız hoparlör çıkışlarını nasıl ele aldığını ve çoklu konuşmacı ayrımı sırasında konuşma düzeyi atamasının neden önemli olduğunu test edin.
Soru 1 arasında 8
Permütasyonla değişmez eğitim (PIT) hangi temel sorunu çözer?
Her soruyu önizleyin8 sorular
Testi çözdüğünüzde cevaplar ve açıklamalar görünür.
- Permütasyonla değişmez eğitim (PIT) hangi temel sorunu çözer?
- Eğitim sırasında hangi çıkış kanalının hangi hoparlöre karşılık gelmesi gerektiğine karar verme
- Depolama için sesi sıkıştırma
- Mikrofon donanım maliyetlerinin azaltılması
- Ayrılmış konuşmayı metne çevirme
- PIT, modeli güncellerken hangi hatanın kullanılacağına nasıl karar veriyor?
- Tüm çıktılardaki hatanın ortalamasını eşit şekilde alır
- Her çıktı-kaynağı eşleştirmeyi dener ve en düşük hataya sahip olanı korur
- Her zaman en yüksek sesi çıkış 1'e atar.
- Referansları tamamen yok sayar
- PIT gibi bir çözüm olmadan ayırma modeli çıktılarına ne olma eğilimindeydi?
- Hemen mükemmel bir şekilde temizlendiler
- Çok daha hızlı koştular
- Çakışan etiket atamaları nedeniyle bulanık, ortalama çıktılar ürettiler
- Hiçbir eğitim verisine ihtiyaç duymadılar
- N konuşmacıyı ayırmak için PIT'in adım başına kaç permütasyonu dikkate alması gerekir?
- N (hoparlörlerde doğrusal)
- N kare
- Her zaman tam olarak iki
- N faktöriyel
- Söylem düzeyinde PIT'in (uPIT), çerçeve düzeyinde atamaya göre ne gibi avantajları vardır?
- Konuşmanın tamamı boyunca hoparlörü sabit bir çıkış kanalında tutar
- Herhangi bir referans ihtiyacını ortadan kaldırır
- Yalnızca müzikte çalışır, konuşmada değil
- Hoparlör sayısını iki katına çıkarır
- Hangi yaklaşım permütasyon sorununu tamamen ortadan kaldırabilir?
- Ses bit hızını artırma
- Referans ses işaretini koşullandıran hedef-konuşmacı çıkarımı
- Yalnızca mono kayıtları kullanma
- Geri yayılımı devre dışı bırakma
- 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