引導式測驗 · 中等 等級
YAMNet 音訊分類測驗
了解 YAMNet 的 AudioSet 類別、幀分數和嵌入,並評估預處理、遷移學習和領域擬合。
問題 1 的 8
根據 YAMNet 的文件模型描述,它能預測什麼?
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。
- 根據 YAMNet 的文件模型描述,它能預測什麼?
- 個別說話者的驗證身分
- 每段錄音的逐字稿
- 來自 AudioSet 詞彙表的音訊事件類別
- 每段錄音的精確樂譜
- 除了類別分數外,YAMNet 還能提供什麼?
- 取代標記評估集的驗證註釋
- 中間音訊嵌入 (Intermediate audio embeddings)
- 在不同錄音間保持驗證的說話者身分
- 無需任何調整即可使用的新專案特定類別本體
- 為什麼 YAMNet 可能無法表達專案中非常特定的標籤?
- 每個音訊輸入都必須使用錄音原始且未經更改的取樣率
- 它僅輸出重建波形而非分數
- 嵌入使每個不支援的類別都能直接作為命名輸出使用
- 其輸出詞彙表僅限於其訓練時的類別分類法
- 影格層級 (frame-level) 的分數代表什麼?
- 與模型視窗相關聯的分數,不一定自動成為最終片段標籤
- 必然適用於整段錄音的驗證標籤
- 錄音中每個事件的計數
- 保證最高分數的類別是唯一可聽見的事件
- 為什麼僅更改取樣率元資料欄位不足以進行重新取樣?
- 它會自動將所有立體聲訊號轉換為單聲道
- 它會更改 AudioSet 輸出類別的數量
- 它不會以新的取樣率重新計算波形
- 它消除了檢查樣本值和時間的需求
- 下游團隊該如何重複使用 YAMNet 嵌入?
- 用預訓練分數取代所有目標任務評估
- 為專案特定標籤訓練較小的分類器
- 假設所有目標標籤都已經可以用相同的分數欄位來區分
- 保證下游機率無需測試即可校準
- AudioSet 分數對新的部署環境有何意義?
- 在該設定下的保證準確度
- 經過校準的專案特定機率
- 所有事件類別都已代表呈現
- 應該在該網域上進行驗證的模型輸出
- 當錄音共享同一個工作階段 (session) 或來源時,哪一種分割方式有助於避免資料外洩?
- 在分割之前,依來源或工作階段將錄音分組
- 將衍生裁切片段隨機混合到每個分割中
- 將一份副本放在訓練集,另一份放在測試集
- 僅分割模型的輸出分數