Вікторина, пов’язана з посібником · Середній Рівень

Вікторина на класифікацію музичних жанрів

Охоплює аудіорепрезентації, композицію GTZAN, жанрову неоднозначність, ризики витоку набору даних та оцінку непересічних даних виконавців.

Пов'язані напрямні шляхиКласифікація музичних жанрів
Питання 1 з 8

Що таке мел-спектрограма, яка зазвичай використовується як вхідні дані для класифікації жанрів нейронних мереж?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Що таке мел-спектрограма, яка зазвичай використовується як вхідні дані для класифікації жанрів нейронних мереж?
    • Частотно-часове зображення аудіо з використанням перцептивної шкали висоти тону
    • Список текстів пісень, перетворених у цифри
    • Форма хвилі, яка показує лише необроблену амплітуду за час
    • База даних імен виконавців і років випуску
  2. Який класичний контрольний набір даних містить 1000 тридцятисекундних кліпів у 10 жанрах?
    • ImageNet
    • ГЦАН
    • LibriSpeech
    • COCO
  3. Чому принципово важко досягти ідеальної точності класифікації жанрів?
    • Комп’ютери взагалі не можуть обробляти звук
    • Всі пісні звучать ідентично за алгоритмами
    • Межі жанрів нечіткі та культурно суб’єктивні
    • Аудіофайли замалі для аналізу
  4. Яка ознака ручної роботи широко використовувалася в ранніх системах класифікації жанрів?
    • Коефіцієнт стиснення JPEG
    • Частота тегів HTML
    • Гістограми яскравості пікселів
    • Mel-частотні кепстральні коефіцієнти (MFCC)
  5. Що створює шар softmax у кінці класифікатора жанру?
    • Розподіл ймовірностей за жанровими класами
    • Один звуковий сигнал
    • Стиснений файл MP3
    • Зображення спектрограми
  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