引導式測驗 · 中等 等級
Conv-TasNet 時域分離測驗
回顧 Conv-TasNet 的學習波形編碼器、屏蔽分離功能、TCN 分離器及其基準結果的範圍。
問題 1 的 8
與早期的分離系統相比,Conv-TasNet 的決定性特徵是什麼?
預覽每個問題8 問題
當您參加測驗時,就會出現答案和解釋。
- 與早期的分離系統相比,Conv-TasNet 的決定性特徵是什麼?
- 它直接對原始波形而不是固定頻譜圖進行操作
- 它不需要訓練數據
- 它只適用於音樂,不適用於語音
- 它首先將音訊轉換為 MIDI
- Conv-TasNet使用什麼樣的網路作為其分離模組?
- 單一全連接層
- 時間卷積網(堆疊擴張一維卷積)
- 決策樹集成
- 擴散模型
- 什麼取代了 Conv-TasNet 中傳統的短時間傅立葉變換?
- 小波變換
- 漢恩窗
- 學習型一維卷積編碼器
- 梅爾濾波器組
- 哪個損失函數對於訓練 Conv-TasNet 至關重要?
- 單字標籤上的交叉熵
- 平均絕對像素誤差
- 比較影像損失
- 具有排列不變訓練的尺度不變 SI-SNR
- Conv-TasNet 的論文關於理想時頻幅度遮罩的報告是怎麼樣的?
- 它在兩個揚聲器分離評估中超越了幾個理想的幅度掩模
- 它消除了對麥克風的需要
- 它只適用於一個相同的揚聲器
- 它使用理想掩模作為編碼器
- Conv-TasNet 的學習編碼器為分離器產生了什麼?
- 每位演講者的文字記錄
- 針對揚聲器分離優化的波形表示
- 固定梅爾影像
- 麥克風位置列表
- Conv-TasNet 論文解決了什麼類型的語音分離任務?
- 根據書面提示進行文字轉語音
- 從視訊幀中辨識說話人
- 包含多個揚聲器的單聲道混合物
- Multichannel music transcription with MIDI output
- 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