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。

相關引導路徑Conv Tasnet 時域分離
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。

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  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