引導式測驗 · 中等 等級

Democs 音樂來源分離測驗

使用額外的訓練資料回顧 Democs 波形和混合分離、MUSDB 上的 SDR 以及 HT-Demucs 跨域注意力。

相關引導路徑Democs 音樂來源分離
問題 1 的 8

Demucs 對完成的歌曲做了什麼?

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. Demucs 對完成的歌曲做了什麼?
    • 將其分為人聲、鼓、貝斯等主幹
    • 將其壓縮為較小的文件
    • 翻譯歌詞
    • 在不改變音調的情況下加快速度
  2. 是什麼讓 Hybrid Demucs 成為「混合體」?
    • 它將兩首不同的歌曲混合在一起
    • 它處理波形和頻譜圖域中的音頻
    • 它使用英語和法語歌詞
    • 一半在 CPU 上運行,一半在紙上運行
  3. 原始 Demucs 論文報告了 MUSDB 上分離品質的哪個指標?
    • 字錯誤率 (WER)
    • 平均倒數排名 (MRR)
    • 訊號失真比 (SDR)
    • 並交交集 (IoU)
  4. 哪個研究組織與原始 Demucs 專案相關?
    • 艾倫人工智慧研究所
    • 久泰實驗室
    • 國際音樂資訊檢索協會
    • Facebook 人工智慧研究 (FAIR)
  5. 為什麼早期的 Democs 直接在原始波形上運作?
    • 避免遺失相位資訊
    • 因為頻譜圖是非法的
    • 故意增大文件
    • 因為波形不含聲音
  6. 哪個資料集對於 Democs 的訓練和基準測試至關重要?
    • 影像網
    • MUSDB18
    • 國家標準技術研究所
    • 普通爬行
  7. HT-Demucs 論文在其波形和頻譜圖分支之間添加了什麼注意模式?
    • 只注意歌詞標記
    • 僅立體聲通道上的單一關注層
    • 每個域內的自註意力和跨域的交叉注意力
    • 沒有註意;僅最近鄰查找
  8. HT-Demucs 論文關於額外訓練歌曲的報導內容是什麼?
    • 額外的歌曲在每個設定下都會將 SDR 降低 10 dB
    • 該模型在零訓練歌曲的情況下達到了相同的結果
    • 該論文僅報告了字錯誤率的變化
    • 有了 800 首額外的歌曲,HT-Demucs 比在相同數據上訓練的 Hybrid Demucs 提高了 0.45 dB 的 SDR