關於 人類圖區分的科學下載 ，我們在網路上蒐集到這些相關的討論、資訊與評價

【👍免費線上學習資源分享懶人包：博物館資源、影音資源、免費閱讀、運筆練習、著色圖檔、立體摺紙-中文、英文、日文、西班牙文】
#持續整理增加中
　　
去年國外疫情爆發，陸續有許多優質的線上教學資源分享，當時我就把喜歡又覺得實用的資料存下來，現在開始派上用場！
　　
國外的線上教學資源真的製作用心，相較下來台灣的線上資源比較少，我還是找出有可使用影音資源的三間台灣博物館。
　　
暑假很快就要來臨，建議可以先把這些線上資源存起來，孩子暑假的時候就可以使用囉！
　　
---
　　
【國內博物館線上資源(中文)】
　　
✔️國立故宮博物院兒童專區：https://reurl.cc/VEEN9n
免費下載的國寶著色畫紙，分成簡易版與精緻版，簡易版可以讓孩子自行創作，精緻版可以讓孩子在著色的過程中認識古藝術的花紋，此外還有能線上免費觀看的19部故宮 #歷年國寶動畫影片。
　　
✔️國立自然科學博物館-線上博物館：https://reurl.cc/a99L3D
#大自然真相系列影片5/20~6/14限期免費
　　
✔️國立臺灣科學教育館YouTube頻道：https://bit.ly/3oSrMQb
一系列「#科教館帶你玩科學」影片，可以參照影片一起帶孩子在家中DIY。
　　
---
　　
【國外博物館線上資源(英文)】
　　
✔️美國紐約大都會藝術博物館兒童專區：https://reurl.cc/gWWG4N
內容分三部分：探索地圖、回到過去時光機，以及學習影片，探索地圖非常精緻，適合喜歡閱讀「尋找類型故事繪本」的孩子，學習影片中會搭配蒐藏品讓孩子一起嘗試在家裡創作。
　　
✔️美國紐約自然史博物館兒童專區：https://reurl.cc/W33Rj5
總共有14個主題：包含人類學、考古學、天文學、生物學等，每一個主題中還有遊戲、故事、DIY教學、影片。
　　
✔️美國波士頓兒童博物館兒童專區：https://reurl.cc/Q99e80
一系列「兒童居家活動」影片，網站內有做分齡設計 #從0歲開始，可以在搜尋處設定要選找的活動年紀範疇，有知識介紹影片也有居家DIY活動影片。
　　
✔️法國巴黎羅浮宮兒童線上影音專區：https://reurl.cc/Gmm48A
11部故事動畫搭配作品介紹，#影片的英文配音超迷人！成人也很適合一起看。
　　
✔️荷蘭阿姆斯特丹梵谷美術館：https://reurl.cc/YOOV2O
線上展覽以及google Art &Culture 360度實景展場，投影到大螢幕上就像真的在展場裡看展一樣。
　　
---
　　
【英文、日文、西班牙文居家教學線上資源】
　　
✔️國家地理頻道兒童線上影音專區：https://kids.nationalgeographic.com/
內容非常精彩，網站內有科學實驗、世界地理、天文太空等主題可以探索。其中，國家地理頻道所拍攝的珍貴影片亦收藏於本站中，孩童能夠免費線上觀看。
　　
✔️美國krazydad免費數獨網站：https://krazydad.com/
有上百萬張迷宮、數獨、解謎遊戲，可以消耗孩子的時間。
　　
✔️日本兒童列印網 Print-Kids：https://print-kids.net/
提供免類教材列印，從學齡前到國小三年的運筆練習、數學、時間、加減法等，運筆練習的內容非常多，而且有難易程度區分，十分好運用。
　　
✔️日本孩子的一步 Kids-Step：http://kids-step.com/
網站上有運筆、迷宮、點對點、幾何、數獨等，涵蓋小學一年級的基礎能力，適合大班孩子銜接一年級課程使用。
　　
✔️西班牙Edufichas：https://reurl.cc/Gmm94D
網站上有字母練習、運筆、迷宮、數獨、顏色認知的教材可以下載，還有國小程度的西班牙文字母填空。
---
　　
【免費著色圖檔線上下載&摺紙創作下載】
　　
✔️Supercoloring線上5萬張圖檔免費下載：https://reurl.cc/KAAeMM
是世界上最大填色畫冊資料庫之一，包含了將近五萬張的著色圖、連連看、繪畫教學等等範本，主要以著色畫為最大宗。
　　
✔️汪汪隊立大功著色圖檔免費下載：https://reurl.cc/7rr0yy

✔️波力救援小隊著色圖檔免費下載： https://reurl.cc/pggled
　　
✔️美國繪兒樂迪士尼全系列圖案免費下載：https://reurl.cc/W33xLO
　　
✔️美國《好餓毛毛蟲》艾瑞‧卡爾著色下載：https://reurl.cc/yEELZq
不僅有著色圖檔，還有可以自行創作的教材設計。
　　
✔️日本著色天地 Kids-Nurie：http://kids-nurie.com/
提供各式各樣的著色畫圖檔，包括：動物、工程車、四季、海盜、食物、公主、生日派對等。

✔️美國Mapscaping：https://reurl.cc/j88zEy
免費下載12款立體摺紙地球儀模型。

✔️美國Paper Box World：https://reurl.cc/XWW1Ka
免費下載可愛小動物立體摺紙模型，還有車車款喔！

✔️美國Paper Minions：https://reurl.cc/gWWV9z
免費下載迪士尼人物立體摺紙模型，有公主系列、怪獸總動員等。
　　
---
　　
【中文&英文影片資源】
　　
✔️台灣-公共圖書館區域資院中心電影院：https://reurl.cc/9rreKX
有許多適合闔家觀賞的免費電影、動畫。
　　
✔️台灣-momo mini 親子電影院：https://reurl.cc/Gmm833
以My Video為平台打造的虛擬兒童電影院，由富邦文教基金代裡引進優質兒童電影，可以免費觀賞，其中還有「藝起說故事」影片，邀請名人藝人一起跟孩子說故事。
　　
✔️It's AumSum Time：https://reurl.cc/0jjANk
用動畫的方式呈現科普，動畫版的十萬個為什麼！
　　
✔️National Geographic Kids：https://reurl.cc/LbbyGx
專為兒童設計的國家地理頻道，內容包山包海！
　　
---
　　
【中文&英文免費閱讀資源】

✔️台灣雲端書庫：https://reurl.cc/a99O3X
加入會員可以獲得1點(1點可以借閱一本)，可以整合自己的各縣市圖書館的借閱證，或是國家圖書館的借閱證，可以增加借閱點數。

✔️美國Amazon全球有聲書線上圖書館：https://reurl.cc/rggymN
有聲書免費收聽，內容覆蓋學齡前到經典文學，包含英/德/法/西/意/日六種語言 。
　　
✔️美國時代雜誌兒童版Time for Kids：https://reurl.cc/DggzGm
有程度與主題分類，部分文章有朗讀或是西班牙文版本。

AI 將可快速分離人聲、各式樂器等音源，Facebook 開源 Demucs 計畫

作者 雷鋒網 | 發布日期 2020 年 03 月 11 日 10:59 |

音樂源分離，是利用技術將一首歌曲分解成它的組成成分，如人聲、低音和鼓，這和人類大腦的工作很類似，大腦可以將一個單獨的對話，從周圍的噪音和一屋子的人聊天中分離出來。

如果你擁有原始的錄音室多軌錄音，這很容易實現，你只需調整混音來分離一個音軌，但是，如果你從一個普通 MP3 檔案開始，所有的樂器和聲音都被混合到一個立體聲錄音中，即使是最複雜的軟體程式也很難精確地挑出一個部分。

Facebook AI 的研究人員已經開發了一個系統，可以做到這一點──精確度高得驚人。

創建者名叫亞歷山大‧笛福茲（Alexandre Defossez），是 Facebook 人工智慧巴黎實驗室的科學家。笛福茲的系統被稱為 Demucs，這個名字來源於「音樂資源深度提取器」，其工作原理是檢測聲波中的複雜模式，對每種樂器或聲音的波形模式建立一個高層次的理解，然後利用人工智慧將它們巧妙地分離。

笛福茲說，像 Demucs 這樣的技術，不僅能幫助音樂家學習複雜的吉他即興重複段落，總有一天，它還能讓人工智慧助理在嘈雜的房間裡更容易聽到語音指令。笛福茲說，他的目標是讓人工智慧系統擅長辨識音頻源的組成部分，就像它們現在可以在一張照片中準確地區分不同的物體一樣。「我們在音頻方面還沒有達到同樣的水平。」他說。

分解聲波的更好方法

聲源分離長期以來一直吸引著科學家。1953 年，英國認知科學家科林‧切爾瑞（Colin Cherry）創造了「雞尾酒會效應」這個詞語，用來描述人類在擁擠嘈雜的房間裡專注於一次談話的能力。

工程師們首先試圖透過調整立體聲錄音中的左右聲道，或調整均衡器設置來提高或降低某些頻率，進而隔離歌曲的人聲或吉他聲。

基於聲譜圖的人工智慧系統，在分離出以單一頻率響起或共振的樂器的音符方面相對有效，例如鋼琴或小提琴旋律。

這些旋律在聲譜圖上顯示為清晰、連續的水平線，但是隔離那些產生殘餘噪音的撞擊聲，比如鼓、低音拍擊，是一項非常艱鉅的任務。鼓點感覺像一個單一的、即時的整體事件，但它實際上包含了不同的部分。對於鼓來說，它包括覆蓋較高頻率範圍的初始撞擊，隨後是在較低頻率範圍內的無音高衰減。笛福茲說，一般的小鼓「就頻率而言，到處都是」。

聲譜圖只能將聲波表現為時間和頻率的組合，無法捕捉到這樣的細微差別。因此，他們將鼓點或拍子低音處理成幾條不連續的垂直線，而不是一個整齊、無縫的聲音。這就是為什麼透過聲譜圖分離出來的鼓和低音軌道，聽起來常常是模糊不清的。

夠聰明的系統來重建缺失

基於人工智慧的波形模型避免了這些問題，因為它們不試圖將一首歌放到時間和頻率的僵化結構中。笛福茲解釋，波形模型的工作方式與電腦視覺相似，電腦視覺是人工智慧的研究領域，旨在讓電腦學會從數位圖像中辨識模式，進而獲得對視覺世界的高級理解。

電腦視覺使用神經網路來檢測基本模式──類似於在圖像中發現角落和邊緣──然後推斷更高級或更複雜的模式。「波形模型的工作方式非常相似」，笛福茲說。他解釋了波形模型如何需要幾秒鐘來適應歌曲中的突出頻率──人聲、低音、鼓或吉他──並為每一個元素生成單獨的波形。然後，它開始推斷更高比例的結構，以增加細微差別，並精細雕刻每個波形。

笛福茲說，他的系統也可以比做探測和記錄地震的地震儀。地震時，地動儀的底座會移動，但懸掛在上面的重物不會移動，這使得附著在重物上的筆可以畫出記錄地面運動的波形。人工智慧模型可以探測到同時發生的幾個不同地震，然後推斷出每個地震的震級和強度的細節。同樣，笛福茲的系統分析並分離出一首歌曲的本來面目，而不是根據預先設定的聲譜圖結構來分割它。

笛福茲解釋，構建這個系統需要克服一系列複雜的技術挑戰。他首先使用了 Wave-U-Net 的底層架構，這是一個為音樂源分離開發的早期人工智慧波形模型。然後他還有很多工作要做，因為聲譜圖模型的表現優於 Wave-U-Net。他透過添加線性單元來微調波形網路中分析模式的演算法參數。笛福茲還增加了長短期記憶，這種結構允許網路處理整個數據序列，如一段音樂或一段視頻，而不僅是一個數據點，如圖像。笛福茲還提高了 Wave-U-Net 的速度和記憶體使用率。

這些修改幫助 Demucs 在一些重要方面勝過 Wave-U-Net，比如它如何處理一種聲音壓倒另一種聲音的問題。「你可以想像一架飛機起飛，引擎噪音會淹沒一個人的聲音」，笛福茲說。

以前的波形模型，透過簡單地移除原始音頻源文件的一部分來處理這個問題，但是它們不能重建丟失材料的重要部分。笛福茲增強了 Demucs 解碼器的能力，「Demucs 可以重新創建它認為存在但卻迷失在混音中的音頻​​」，這意味著他的模型可以重新合成可能被響亮的鐃鈸聲影響而遺失的柔和鋼琴音符，因為它理解應該呈現什麼樣的聲音。

這種重構和分離的能力使 Demucs 比其他波形模型有優勢。笛福茲說，Demucs 已經與最好的波形技術相匹配，並且「遠遠超出」最先進的聲譜技術。

在盲聽測試中，38 名參與者從 50 首測試曲目中隨機抽取 8 秒鐘進行聽音，這 50 首曲目由 3 個模型分開：Demucs、領先波形、頻譜圖技術。聽眾認為 Demucs 在品質和無偽影（如背景噪音或失真）方面表現最佳。

Demucs 已經引起了人工智慧愛好者的興趣，精通技術的讀者可以從 GitHub 下載 Demucs 的代碼，代碼用 MusDB 數據集來分離音樂源。

笛福茲解釋，隨著 Demucs 的發展，它將為人們在家中創作音樂的數位音頻工作站帶來聲音的真實性。這些工作站提供了能夠喚起特定時代或風格的合成儀器，通常需要對原始硬體進行大量的數位化改造。

想像一下，如果音樂源分離技術能夠完美地捕捉 20 世紀 50 年代搖滾歌曲中用電子管放大器演奏的老式空心電吉他的聲音，Demucs 讓音樂愛好者和音樂家離這個能力更近了一步。

資料來源：https://technews.tw/2020/03/11/using-ai-for-music-source-separation/?fbclid=IwAR1C-0LhFNEkIFUg9QS3xRQK8VKeqKIkPEx9kh7QdGamcsCfUViwyeXyqXg

AI 將可快速分離人聲、各式樂器等音源，Facebook 開源 Demucs 計畫

作者 雷鋒網 | 發布日期 2020 年 03 月 11 日 10:59 |

音樂源分離，是利用技術將一首歌曲分解成它的組成成分，如人聲、低音和鼓，這和人類大腦的工作很類似，大腦可以將一個單獨的對話，從周圍的噪音和一屋子的人聊天中分離出來。

如果你擁有原始的錄音室多軌錄音，這很容易實現，你只需調整混音來分離一個音軌，但是，如果你從一個普通 MP3 檔案開始，所有的樂器和聲音都被混合到一個立體聲錄音中，即使是最複雜的軟體程式也很難精確地挑出一個部分。

Facebook AI 的研究人員已經開發了一個系統，可以做到這一點──精確度高得驚人。

創建者名叫亞歷山大‧笛福茲（Alexandre Defossez），是 Facebook 人工智慧巴黎實驗室的科學家。笛福茲的系統被稱為 Demucs，這個名字來源於「音樂資源深度提取器」，其工作原理是檢測聲波中的複雜模式，對每種樂器或聲音的波形模式建立一個高層次的理解，然後利用人工智慧將它們巧妙地分離。

笛福茲說，像 Demucs 這樣的技術，不僅能幫助音樂家學習複雜的吉他即興重複段落，總有一天，它還能讓人工智慧助理在嘈雜的房間裡更容易聽到語音指令。笛福茲說，他的目標是讓人工智慧系統擅長辨識音頻源的組成部分，就像它們現在可以在一張照片中準確地區分不同的物體一樣。「我們在音頻方面還沒有達到同樣的水平。」他說。

分解聲波的更好方法

聲源分離長期以來一直吸引著科學家。1953 年，英國認知科學家科林‧切爾瑞（Colin Cherry）創造了「雞尾酒會效應」這個詞語，用來描述人類在擁擠嘈雜的房間裡專注於一次談話的能力。

工程師們首先試圖透過調整立體聲錄音中的左右聲道，或調整均衡器設置來提高或降低某些頻率，進而隔離歌曲的人聲或吉他聲。

基於聲譜圖的人工智慧系統，在分離出以單一頻率響起或共振的樂器的音符方面相對有效，例如鋼琴或小提琴旋律。

這些旋律在聲譜圖上顯示為清晰、連續的水平線，但是隔離那些產生殘餘噪音的撞擊聲，比如鼓、低音拍擊，是一項非常艱鉅的任務。鼓點感覺像一個單一的、即時的整體事件，但它實際上包含了不同的部分。對於鼓來說，它包括覆蓋較高頻率範圍的初始撞擊，隨後是在較低頻率範圍內的無音高衰減。笛福茲說，一般的小鼓「就頻率而言，到處都是」。

聲譜圖只能將聲波表現為時間和頻率的組合，無法捕捉到這樣的細微差別。因此，他們將鼓點或拍子低音處理成幾條不連續的垂直線，而不是一個整齊、無縫的聲音。這就是為什麼透過聲譜圖分離出來的鼓和低音軌道，聽起來常常是模糊不清的。

夠聰明的系統來重建缺失

基於人工智慧的波形模型避免了這些問題，因為它們不試圖將一首歌放到時間和頻率的僵化結構中。笛福茲解釋，波形模型的工作方式與電腦視覺相似，電腦視覺是人工智慧的研究領域，旨在讓電腦學會從數位圖像中辨識模式，進而獲得對視覺世界的高級理解。

電腦視覺使用神經網路來檢測基本模式──類似於在圖像中發現角落和邊緣──然後推斷更高級或更複雜的模式。「波形模型的工作方式非常相似」，笛福茲說。他解釋了波形模型如何需要幾秒鐘來適應歌曲中的突出頻率──人聲、低音、鼓或吉他──並為每一個元素生成單獨的波形。然後，它開始推斷更高比例的結構，以增加細微差別，並精細雕刻每個波形。

笛福茲說，他的系統也可以比做探測和記錄地震的地震儀。地震時，地動儀的底座會移動，但懸掛在上面的重物不會移動，這使得附著在重物上的筆可以畫出記錄地面運動的波形。人工智慧模型可以探測到同時發生的幾個不同地震，然後推斷出每個地震的震級和強度的細節。同樣，笛福茲的系統分析並分離出一首歌曲的本來面目，而不是根據預先設定的聲譜圖結構來分割它。

笛福茲解釋，構建這個系統需要克服一系列複雜的技術挑戰。他首先使用了 Wave-U-Net 的底層架構，這是一個為音樂源分離開發的早期人工智慧波形模型。然後他還有很多工作要做，因為聲譜圖模型的表現優於 Wave-U-Net。他透過添加線性單元來微調波形網路中分析模式的演算法參數。笛福茲還增加了長短期記憶，這種結構允許網路處理整個數據序列，如一段音樂或一段視頻，而不僅是一個數據點，如圖像。笛福茲還提高了 Wave-U-Net 的速度和記憶體使用率。

這些修改幫助 Demucs 在一些重要方面勝過 Wave-U-Net，比如它如何處理一種聲音壓倒另一種聲音的問題。「你可以想像一架飛機起飛，引擎噪音會淹沒一個人的聲音」，笛福茲說。

以前的波形模型，透過簡單地移除原始音頻源文件的一部分來處理這個問題，但是它們不能重建丟失材料的重要部分。笛福茲增強了 Demucs 解碼器的能力，「Demucs 可以重新創建它認為存在但卻迷失在混音中的音頻​​」，這意味著他的模型可以重新合成可能被響亮的鐃鈸聲影響而遺失的柔和鋼琴音符，因為它理解應該呈現什麼樣的聲音。

這種重構和分離的能力使 Demucs 比其他波形模型有優勢。笛福茲說，Demucs 已經與最好的波形技術相匹配，並且「遠遠超出」最先進的聲譜技術。

在盲聽測試中，38 名參與者從 50 首測試曲目中隨機抽取 8 秒鐘進行聽音，這 50 首曲目由 3 個模型分開：Demucs、領先波形、頻譜圖技術。聽眾認為 Demucs 在品質和無偽影（如背景噪音或失真）方面表現最佳。

Demucs 已經引起了人工智慧愛好者的興趣，精通技術的讀者可以從 GitHub 下載 Demucs 的代碼，代碼用 MusDB 數據集來分離音樂源。

笛福茲解釋，隨著 Demucs 的發展，它將為人們在家中創作音樂的數位音頻工作站帶來聲音的真實性。這些工作站提供了能夠喚起特定時代或風格的合成儀器，通常需要對原始硬體進行大量的數位化改造。

想像一下，如果音樂源分離技術能夠完美地捕捉 20 世紀 50 年代搖滾歌曲中用電子管放大器演奏的老式空心電吉他的聲音，Demucs 讓音樂愛好者和音樂家離這個能力更近了一步。

資料來源：https://technews.tw/…/using-ai-for-music-source-separation/…