2013/10/15
朝5時半（日本時間では6時半）起床。北京とは思えないいい天気。
昨日買った紅牛と楽虎を飲みながら金曜日のスライドづくり。おおむね終了。
7時過ぎに朝食。結構いいものがある。
朝食後、メールを書く。めんどくさい案件が結構あって憂鬱。
9時からセッション。
最初にProf. Qiang Fuによる挨拶。そのあと全員で集合写真。
セッション開始。
A Robust Step-size Control Algorithm for Frequency Domain Acoustic Echo Cancellation (Chao Wu, CAS)
エコーキャンセルのための適応アルゴリズムのステップサイズ制御。スライドがよく見えないが、通常の適応アルゴリズムを周波数領域にしたときに、周波数ビンごとにステップサイズを変えるというアイデアのような気がする。数式を使った話なのに肝心の数式がよく見えないのはいかがなものか。
Spectro-Temporal Filtering for Multichannel Speech Enhancement in the Short-Time Fourier Transform Domain (Yu Gwang Jin, SNU)
複数チャネルを用いた音声強調。基本的には複数の入力の短時間FFTに対してフィルタをかけて足しあわせることで音声を推定するが、長い残響の影響（など）も考えて、すべてのチャネルの過去数フレームの内容のすべてにフィルタをかけて足しあわせることで音声を推定する。残響との関係について質問したところ「残響がなくても音声の時間的な相関を使って性能が上がるのだ」という説明だったが、それが本当ならおもしろい。
Web-based Language Model Domain Adaotation for Real World Voice Retrieval (Mengzhe Chen, CAS)
Web検索と言語モデルドメイン適応を使った音声検索。Webダウンロードデータをブロックに分け、種モデルを使ってそれぞれのパープレキシティを求め、それによって重みをつけて混ぜるようだ。おそらく増村君のやっていた内容とおおむね同じ？（むしろNHKの時期依存言語モデルに近いかも？）だが、Baiduの検索語Top100を検索キーワードに使ってデータを集めるところがちょっとおもしろい。実運用を考えればそういう仕組みが必要そうだ。文字誤り率で0.7〜1.3ポイントほど改善。何で書き起こし対象に含まれるキーワードをWeb検索に使わなかったのか聞いてみたが、明確な意図はないようだった。
Data hiding scheme for amplitude modulation radio broadcast system (NGO Nhut Minh, JAIST)
赤木研で前からやっているAMラジオ信号へのデータ隠蔽。音声に対して、オリジナルの音声と蝸牛遅延によるデータ埋め込みを行った音声の2つを作り、それぞれを上側波帯と下側波帯にした信号をヒルベルト変換によって作る。それを振幅変調したあと、復調側では側波帯を別々に取り出して、ノンブラインドな埋め込みデータ抽出を行う。埋め込み信号のビットレートは4bps。
Robust Audio Data Hiding Method Based on Phase of Modulated Complex Lapped Transform (Kiho Cho, SNU)
音響データ通信のためのデータハイディング。MCLTによって信号を周波数領域に変換し、位相をいじることでデータを埋める。位相を±πにしてしまうと言うのだが大丈夫だろうか。パイロットチャネル、チャネル補償などもしている本格的な通信システム。鈴木先生から「なんでMCLTを使うのか」という質問があったが埒があかなかった。Kim先生から補足があり、MCLTはサイドロープ抑制が大きい窓関数を使ったFFTと原理的に同じだそうだ。
休憩。結構おいしいものがでているが、コーヒーが１杯ずつ入れる奴で、客の数に間に合っていない。コーヒーを飲めないうちに次のセッション。
Deep Learning Machine Learning for Voice Activity Detection (Inyoung Hwang, Hanyang U)
何かと思ったらIEEE TASLPの論文紹介だった。DFT、MFCC、PLP、LPCなど100以上の特徴をつっこんでDNNで学習。SVMよりも性能が高く、マルチカーネルSVMよりはDNNの方が学習時間が短い。質疑応答で質問者と発表者が互いの言ってることがわからなくてやぎさんゆうびん状態になっていた。
NMF-based feature for voice activity detection in adverse environment (Tu Ming, Beijing Inst. Tech.)
割とふつうなNMFによる音声強調（音声のコードベクトルをあらかじめ持っておいて、それを固定した上で雑音の基底をダイナミックに学習するNMFを実行して、雑音の部分を抜いて再構成し、入力との比によってウィナーフィルタを構成する）の応用によるVAD。NMFによる雑音除去と同じ枠組みで、アクティベーションを特徴量としてVADを行う。アクティベーションをGMMでモデル化し、Multi-Observation Likelihood Observation Testで識別する。
Subjective evaluation of latency and speech degradation of VoIP speech under severe loss condition (Masahito Okamoto, Tohoku U)
当研究室の岡本君。手元にノートがでるプレゼンテーションモードにしようとして手間取る。VoIPのパケットロス補償にインターリービングを使ったときの遅延と音質劣化を知覚実験によって評価。質疑でだいぶ苦労していたが何とか終了。
ここで昼飯。
13時10分から平原先生の特別講演。
Research on dynamic binaural system and the fast head-related transfer function measurement system (Tatsuya Hirahara, Toyama Pref. U)
・聴覚の役割。音源の種類と方向の特定、コミュニケーション、警告、感情等々。
・音源定位。水平方向は定位精度がいいが、正中面では天頂〜後方の精度が悪い。
・音源定位の手がかり。ITDとILDとスペクトラルキュー(SC)。HRTFの定義。
・ふつうのHRTF測定。無響室の中で1時間以上じっとしていなければならない。
・高速HRTF測定(Reciprocal Method)。10分程度で測定が終わる。
・バイノーラルテクノロジーについて
HRTFは個人化しなければならない
ヘッドフォンはフラットな特性で、Free Air Equivalent Coupling (FEC) でなければならない
良好なヘッドフォンで再生しても直接音をを聞いた場合よりも定位制度は落ちる
・頭を動かすことと音源定位：ITD, ILD, SCに加えてその時間微分が利用できる
頭を動かすことで特に正中面上の音源定位精度が上がる
・ヘッドフォンの逆特性のフィルタをかけることでさらに精度が上がる
ヘッドフォンがFECでなくてもよい
・ヘッドトラッキングによって定位精度が劇的に上がる（特に正中面）
・テレヘッドについて。1号機から現在までのビデオ。
・ダミーヘッドの豪華さはどう関係するか。
ステレオマイク、単純なダミーヘッド（耳や鼻がない）、個人化したダミーヘッドでの音源定位。単純なダミーヘッドの結果はステレオマイクとほぼ同じ。頭が動くと定位精度が大きく向上。
・ダミーヘッドの大きさを変えるとどうなるか。70%ぐらいまでは動くが、50%まで小さくすると定位できなくなる。
・テレヘッドの頭の動きを聴取者の頭と同期させないとどうなるか。
テレヘッドをハンドルで制御した場合は同期時とほぼ同じ
テレヘッドの動きの大きさを変えた場合、実際の大きさの10%まで縮めても性能は大きく下がらない。
Effect of head-rotation on sound localization of band-limited noise (Daisuke Morikawa, JAIST)
特定の周波数と、その音源定位への影響について。頭を動かさない条件では精度が下がるが、頭を動かす条件では、周波数が限られたノイズでも水平面上では90%以上の定位精度。正中面上では頭を動かしても（精度は上がるが）ホワイトノイズの結果に及ばない。また、定位中の頭の動きを計測した。定位すべき音源の方向と、頭を動かす方向と角度の関係。基本的には音源の方向を向くが、音源を正面にとらえているわけではない。音源がホワイトノイズの場合よりも帯域ノイズの方が頭を大きく動かす。
Use of Inaudible Sound for Mobile Devices Indoor Localization Based on Doppler Effects (An Gwang Seok, SNU)
室内の位置同定を超音波でやる話。17kHzあたりの周波数を使うと、生成・収録にふつうのスピーカー・マイクが使えるが、人間には聞こえない。部屋のどこかから正弦波をビーコンとして出していて、デバイスからそれを録音すると、デバイスが動いている場合にはドップラー効果が起きるので速度が検出できる。離れた位置の複数のビーコンから音を出し、受信音をバンドパスフィルタリングしてゼロクロスを数えると周波数がわかるので、それで（最大）3次元的な動きを知ることができる。速度を積分すると位置を推定することができる。デバイスが動いてないと位置がわからないのが最大の欠点かなあ。初期校正と速度計測バイアスの補正が必要ですねという鈴木先生のコメント。その通りだと思う。
Binaural synthesis from spherical harmonics analysis of compact microphone array recordings (Cesar D. Salvador, Tohoku U)
球形マイクロフォンアレイによって音を収録し、それを仮想スピーカーから再生したと考えてそれと同様なバイノーラル信号をHRTF合成してヘッドフォン（またはトランスオーラル）再生する。収録音は球面調和関数展開によって分解し、任意の配置の仮想スピーカーから再生できるようにする。合成時のスピーカー配置として3種類(Igloo, Octahedral, Icosahedral)を検討。Icosahedral gridを使ったときがもっとも性能がよい。再生精度をシミュレーションで確認。
Design and analysis of crosstalk cancellation system parameters for two channel loudspeaker configurations (Risheng Xia, CAS)
２スピーカーのトランスオーラルシステムで、クロストークキャンセルをするときの各種のパラメータ（スピーカー配置など）を検討したという話のようだが、式が読めず図やグラフも字が小さくてよくわからなかった。こういうときは予稿がないのは辛い。
The Effect of Visual Feedback System During HRTF Measurement to reduce Unconscious Movement (Akihito Nakai, Tohoku U)
HRTF測定では被測定者は長時間同じ姿勢を保たなければならない。しかし、通常の人間は無意識に動いている。そこで、動いたことをセンサーで検出して視覚的にフィードバックすることで、できるだけ被測定者が動かないようにするシステムを作った。フィードバック画像は単に3軸の動きをグラフで見せるだけのようだ。フィードバックによって大きなドリフト的な動きが少なくなり、細かい動きだけになった。動きの方向としては、ピッチ（うなづき）とロール（首を傾げる）が押さえられる。また、実際に計測したHRTFの分散もフィードバックにより小さくなる。
On cross-talk cancellation with a baffleplate between the loudspeaker and listener (Junfeng Li, CAS)
クロストークキャンセルのために、スピーカーと聴取者の間に（２つのスピーカーの中点と聴取者を結ぶ線に（平行でなく）直角に）音を吸収する板をおいたらどうだという話。数値的に測ると左右チャネルの分離が上がるのだが、聴取実験をしてみるとよくない。スピーカーから耳までの直接の経路がない（複数の経路があって制御が困難）せいじゃないかという仮説。こういう話には、聴覚や電気音響よりも建築音響や騒音制御の知識が役に立ちそうだ。
このあともう一つセッションがあるのだが、音響学会の委員会に遠隔出席しなければならないので中座。
夕食には間に合わないかと思ったのだが、委員会が思いの外早く終わったので、明日からのIIH-MSPの受付をした後でワークショップのみなさんと合流。今回の学会バッグは比較的良さげなデイパックだった。
今日の夕食は、昨日とは反対側に歩いたところにある北京ダックの店。
最初にマッシュポテトのような不思議なものがくる。「山薬」というものだそうだが、山芋じゃないかということで話が決着。でも食べた感じは里芋みたいな。
その後どんどん料理がくる。
いい加減おなかいっぱいになった頃に北京ダック。
全体として満足度高かった。帰りにホテル近くのスーパーをのぞいて、紅牛の特別版みたいなのを買う。
ホテルに戻った後、ホテルのラウンジでちょっと飲みながら話をする。22時頃終了。
部屋に戻って少しメールチェックをした後寝る。
前の日へ 目次へ 次の日へ