引导式测验 · 中等 等级

Conv-TasNet 时域分离测验

回顾 Conv-TasNet 的学习波形编码器、屏蔽分离功能、TCN 分离器及其基准结果的范围。

相关引导路径Conv Tasnet 时域分离
问题 1 的 8

与早期的分离系统相比，Conv-TasNet 的决定性特征是什么？

预览每个问题8 问题

当您参加测验时，就会出现答案和解释。

  1. 与早期的分离系统相比，Conv-TasNet 的决定性特征是什么？
    • 它直接对原始波形而不是固定频谱图进行操作
    • 它不需要训练数据
    • 它只适用于音乐，不适用于语音
    • 它首先将音频转换为 MIDI
  2. Conv-TasNet使用什么样的网络作为其分离模块？
    • 单个全连接层
    • 时间卷积网络（堆叠扩张一维卷积）
    • 决策树集成
    • 扩散模型
  3. 什么取代了 Conv-TasNet 中传统的短时傅立叶变换？
    • 小波变换
    • 汉恩窗
    • 学习型一维卷积编码器
    • 梅尔滤波器组
  4. 哪个损失函数对于训练 Conv-TasNet 至关重要？
    • 单词标签上的交叉熵
    • 平均绝对像素误差
    • 对比图像损失
    • 具有排列不变训练的尺度不变 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
    • 它消除了对麦克风的需要
    • 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