Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ

Bài kiểm tra phân tách tên miền thời gian Conv-TasNet

Xem lại bộ mã hóa dạng sóng đã học của Conv-TasNet, các tính năng phân tách mặt nạ, dấu phân cách TCN và phạm vi kết quả điểm chuẩn của nó.

Đường dẫn hướng dẫn liên quanTách tên miền thời gian Tasnet Conv
Câu hỏi 1 của 8

Tính năng xác định của Conv-TasNet so với các hệ thống phân tách trước đó là gì?

Xem trước mọi câu hỏi8 câu hỏi

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

  1. Tính năng xác định của Conv-TasNet so với các hệ thống phân tách trước đó là gì?
    • Nó hoạt động trực tiếp trên dạng sóng thô thay vì biểu đồ phổ cố định
    • Nó không yêu cầu dữ liệu đào tạo
    • Nó chỉ hoạt động trên âm nhạc, không phải lời nói
    • Nó chuyển đổi âm thanh thành MIDI trước
  2. Conv-TasNet sử dụng loại mạng nào làm mô-đun phân tách?
    • Một lớp được kết nối đầy đủ
    • Mạng tích chập tạm thời (các kết cấu 1D được giãn xếp chồng lên nhau)
    • Một tập hợp cây quyết định
    • Mô hình khuếch tán
  3. Điều gì thay thế Biến đổi Fourier thời gian ngắn truyền thống trong Conv-TasNet?
    • Biến đổi wavelet
    • Cửa sổ Hann
    • Bộ mã hóa tích chập 1D đã học
    • Ngân hàng lọc Mel
  4. Hàm mất nào là trọng tâm trong quá trình đào tạo Conv-TasNet?
    • Entropy chéo trên nhãn từ
    • Lỗi pixel tuyệt đối trung bình
    • Mất hình ảnh tương phản
    • SI-SNR bất biến tỷ lệ với đào tạo bất biến hoán vị
  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
    • Nó loại bỏ sự cần thiết của micro
    • 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