2013/10/17

朝6時起床。目覚ましをかけなかったらちょっと寝坊した。今日も晴れているが、昨日と違ってスモッグがかかっている。

昨日一昨日と食べ過ぎているので朝食をパスして、部屋でインスタントコーヒーを飲みながらメールの処理。明日の発表のリハーサルを1回やってスライドを手直し。

8時半からキーノート。
PassBrain: can brain waves be used for recognize people? (Patrizio Campisi, U of Roma TRE)
相変わらず字は小さいが、今日は前に座れたのでスライドが読める。
○バイオメトリックについて。
・バイオメトリックの定義。ISO/IECできちんとした定義がある。バイオメトリック認識の例示。Identificationとverificationの違い。従来の認証（パスワード、鍵、カードなど）との違い。利用者が「誰であるか」が鍵になる。利点と欠点。
・バイオメトリックの市場規模。スライドのグラフが読めねえ。
・バイオメトリックに必要なもの。Universality, Uniqueness, Permanence, Collectability, Performance, Acceptability, Circumvention
○脳波の利用。
・医用用途、BMI
・いろいろな脳活動計測。
　　血流量を利用：fMRI, NIRS, PET
　　電気的活動を利用：MEG, EEG（脳波）
・EEGの計測方法。電極とアンプ。国際10-20法。
・いろいろな周波数の脳波。α波とθ波。
○脳科学とバイオメトリックの合体は可能か？
・新しいバイオメトリックのパラダイム：Cognitive biometrics
　刺激に対してユーザがどう感じたかを認証に使う
・EEGのバイオメトリックへの利用
　利点：センサーをごまかせない、liveness detectionが不要（手法に含まれる）、バイオメトリック信号を他人に直接見られることがない、「失う」ことがない、脅迫されても（指紋のように）提供できない、連続的な認識が可能
　欠点：技術がまだ不十分、ユーザへの不便さ、受け入れられにくさ
○EEGデータ取得のプロトコル
・データ取得時の物理状態と心理状態
・センサーをどうするか
・開眼・閉眼、視覚誘発電位/聴覚誘発電位
・タスク：音声想起、動作想起
・Slow cortical potential
○バイオメトリックとしてのEEGの良さ：Universalityはよい。Uniqueness, Pernanence, Performance、Circumventionはまあまあ、Collectabilityはややよい、Acceptabilityはやや悪い
・UniquenessとPerformanceのトレードオフ
○現状でのEEGのバイオメトリック研究
・コンセプトの実証：1980年
・データベース：閉眼安静状態、45名
・特徴量：AR係数
・3電極、5電極の場合でもよい結果が得られる
○今後の研究の方向
・計測方法、ユーザ利便性向上
・Open issues

Ultra-fast Lens-free Computational Imaging (Qionghai Dai, Tsinghua U.)
興味深い講演で、業績の高い先生のようだが、何を言ってるのか全然わからん。原稿を読んでるようだが、スライドには図しかないので理解できない。
○Compuatitional Photographyについて。
・光に関する科学的発見。
・従来のImagingでは光を低次元特徴として光学的に扱った後でデジタル化。Computational photographyでは、光を高次元のままデジタル化。
○CPの主要課題
・空間(x,y,z)、角度（θ、φ）、スペクトルλ、時間t
○超高速レンズレスイメージング
・レンズを持つカメラが多数あると作るのが大変だし重い
・レンズレスイメージング

コーヒーブレイク。時間が40分ほどあったのでいったん部屋に戻ってメールを読んだりしたら科研費祭りの続きがあって対応にちょっと手間取る。

ちょっと遅れて次のキーノート。

Mandarin Speech Prosody Modeling and its Application to ASR and TTS (Sin-Horng Chen, Nat. Chiao Tung U)
中国語のプロソディのモデル化。中国語の合成音声のデモが最初にあって、イントネーションと音調についての話があったのだが、中国語ネイティブでないとなかなか違いの知覚が難しい。
○プロソディの階層（文全体から音節まで）、文構造とプロソディの関係について。
○プロソディのモデル化の問題点
・プロソディ階層の記述(ToBIとか)
・プロソディの実現機構（藤崎モデルとか）
・プロソディタグなどと音響特徴の関係
・構文構造とプロソディの構造のモデル化
○中国語の階層的プロソディモデル
・プロソディタグと特徴量。特徴量は表の文字が小さくてよくわからないがF0とか音節継続長とかパワーとかみたいだ。
・プロソディ状態(prosodic state)の状態遷移をHMMでモデル化。
・プロソディのbreak（不連続？）と構文情報のモデル化。
○データベース：中国語のtreebank (Sinica Treebank)、425文
○音節プロソディモデル。音節の四声と他の単語との接続の話をしているらしいが、よくわからない。
○構文構造との関係、breakなどの評価。Breakについては、どういう単語の連接なのか（不～、～的、～了、動詞＋名詞、など）によって分類しているようだ
○ここで提案した階層プロソディモデル(HPM)の応用
・音声符号化に応用。プロソディの部分をモデル化することで情報量を減らす
・モデル化したプロソディを使った話速変換。
・音声認識への応用。図がよく見えないが普通の音声認識＋プロソディによるリスコアリングらしい。WERで4ポイントほど改善。
○話速のモデル化
・話速もプロソディの一種
・さまざまな話速のtreebankを用意して分析
・話速と音節長、ポーズ長の関係のモデル化（非線形、遅いほどポーズが挿入されやすい）
・話速によってbreakの起きる確率を変化させるモデル（？）

昼食。

13時から午後のセッション。
Recent Advances in Information Hiding and Enrichment Technologies for Audio and Speech Signals

Robust Audio Data Hiding Method Based on Phase of Modulated Complex Lapped Transform (K. Cho, JAIST)
火曜日に聞いたのと同じ話だと思う。空間伝達音に情報を埋め込むために信号の位相に情報を埋める。変換はMCLTなのだが、なぜMCLTがよいのか不明。

A Packet Loss Recovery of G.729 Speech Using Discreminative Model and N-Gram (T. Nagano, Tohoku U)
長野君。G.729のパケットロス隠蔽。G.729のパラメータを冗長に送信するが、どのパラメータを冗長にするかを識別モデルによって決める。あらかじめ音質への影響が大きいか小さいかでデータを分け、それを使ってSVMを学習する。実行時にはパケットごとにパラメータを入力としてSVMを駆動し、そのパラメータを冗長かすべきかどうか決める。冗長に送らなかったパラメータはN-gramを使って推定する。

Multi-modal Voice Activity Detection by Embedding Image Features into Speech Signal (Y. Abe, Tohoku U)
阿部君。口唇領域の形のパラメータを音声信号に埋め込み、VADに使う。埋め込み精度と音質、VADの性能などについて検討。発表は上手にできていた。

Towards Gender-Dependent Babble Maskers for Speech Privacy Protection (K. Kondo, Yamagata U)
近藤先生。音声プライバシー用途で、他人に立ち聞きされないように流す雑音（マスカー）として、男女別のバブル雑音を使おうという提案。話者依存のマスカー（話者の音声から作ったバブル雑音）を使えば低いレベルで了解度を下げることができるが、それだと話者ごとに雑音が必要なので応用が難しい。そこで性別依存のマスカーを試してみた。男性の場合、同じ性別の別な人から作ったマスカーは本人の声から作ったマスカーと同等の妨害効果があった。女性の場合はよく分からない結果。

Towards Estimation of Quality of Watermarked Audio Signal Using Objective Measures (K. Kondo)
現状の客観音質評価(PEAQなど)はオーディオ符号化の劣化に特化しているので、電子透かしによる劣化に特化したオーディオ信号品質の客観評価指標を作ろうという話。従来の客観評価としてPEAQ(peakb使用)とPEMO-Qを使用し、客観評価としてMUSHRA試験を利用。透かし方式としてLSB置換、スペクトル拡散、エコー法を使用。PEAQと主観評価の相関は低い。特にエコー法の劣化については全く評価できない。PEMO-Qはだいぶましな結果。線形/非線形回帰結果から主観評価値を推定した結果（LSB置換とスペクトル拡散のみ）では、PEMO-Qのほうがやや良いが全体としてはそれほど違わない。

Watermarking Method for Speech Signals Based on Modification of LSFs (S. Wang, JAIST)
音声をLPC分析して、LSFを計算した後でそれを量子化し、LSFの値を量子化した値から微妙にずらして音声を再合成する。LSFが量子化値からどちらにずれたかに情報を埋める。G.711やG.729の符号化・復号化にはあまり頑健ではない。やり方はわかったが、他の方法と比較してどうなのか（定性的にも）の説明がほしいと思った。

Digital Watermarking Method Based on STFT Histogram (K. Sonoda, Nagasaki U)
蝶ネクタイの園田先生。時間的に短い区間に情報を埋めるのではなくて、長時間スペクトルの分布を操作することによって情報を埋める。5秒の区間に対して短時間フーリエ変換を計算し、ERBごとのパワーを求めてそのヒストグラムを計算する。ヒストグラムは基本的に0をピークにしたラプラス分布のような形になるが、その隣接する2つのビンを選んで、右と左のどちらの頻度が大きいかを埋め込み情報の01に応じて操作し、そのヒストグラムにあうように元データのサブバンドパワー（のうち特定の大きさを持ったもの）を操作する。5秒のブロックに20ビット程度を一気に埋めることができる。

Pitch Detection Method for Noisy Speech Signals Based on Wavelet Transform and Autocorrelation Function (Cao LongTao, Beijing U of Tech)
雑音が乗った音声からピッチ抽出をするため、最初にウェーブレットによる雑音除去（というか単なるバンドパスフィルタリング）を行った後で自己相関によってピッチ抽出。マザーウェーブレットは2次スプライン。また、ピッチ系列にメジアンフィルタをかけて平滑化。それほど工夫した方法には思えない。

Speech Intelligibility Improvement Using the Constraints on Speech Distortion and Noise Over-estimation (N. Li)
音声の了解度を上げることを目的とした音声強調。方法としては、FFTの周波数ビンごとに雑音の大きさを推定して、それに基づいてゲインを決め、そのゲインをかけて音声を復元する。WEDM法（知らない）よりも高性能。

前が延びたので短めのコーヒーブレイク。

Recent Advances in 3D Audio Technologies for Future Network
鈴木先生が座長で、発表者が赤木・平原・岩谷・西村・坂本と大物が発表するセッション。

Multi-Channel Audio Compression Method Based on ITU-T G.719 Codec (W. Jiang, Beijing Inst. Tech.)
多チャネル(5.1)オーディオの符号化。最初の2つのチャネルの平均と差を計算し、平均の方とその次のチャネルの平均と差を計算し、･･･という形で逐次的に位相差を出力し、それをG.719で符号化するらしい。説明なしにパラメータの略称が使われていて理解が難しい。評価はMUSHRAによる主観評価。各チャネルをG.719で圧縮するよりも3割ぐらい（？）よく縮む。

Gain Factors Calibration in 3D Sound Reproduction Using VBAP (Z. Maosheng, Wuhan U)
VBAP (Vector-Based Amplitude Panning)は、チャネルのゲインを調整することで音像を動かす方法。スピーカー配置が不規則であるときに各チャネルのゲインを最適に設定する方法を提案。聴取者を中心とした球を考え、すべてのスピーカーと同じ方向で球面上にある仮想スピーカーのゲインを計算した上で、それぞれの仮想スピーカーに必要なゲインを得られるように実スピーカーのゲインを調整する。本当に球面上にスピーカーを配置した場合と変わらない性能。

Extrapolation of Horizontal Ambisonics Data from Mainstream Stereo Sources (J. Trevino, Tohoku U)
ホルヘ君は相変わらず早口だ。通常の２チャネル録音からAmbisonics録音データを生成する方法。両チャネルの位相差を周波数ビンごとに求め、そこからその周波数の信号の（仮想的）到来方向を求めて、それを水平面上の球面調和関数の係数に変換する。単純な方法だとほとんどモノラルな信号に対して誤差による大きな方向変化が起きるのと、通常のステレオ音源では後ろから音が来ることはあまり想定していないので、それを考慮した非線形な変換を導入する。うまい方法だけど、バンド演奏とかだと周波数ごとの定位では楽器自体の定位がおかしくならないのかなあ。

Application of Three-Dimentional Audio to Copyrighted Multimedia Contents (R. Nishimura, NICT)
売ってるコンテンツで3次元音響を楽しむための技術。5.1チャンネルサラウンドのスピーカー配置で各スピーカーから中心へのインパルス応答をすべての方向について求め（全部で2880個のインパルス応答）、それらのインパルス応答と頭部インパルス応答を畳み込むことで、5.1chサラウンド信号をバイノーラル信号に変換する。

Subjective Evaluation of High-Definition Virtual Sound Field Using a 157-Channel Surrounding Loudspeaker Array (Y. Iwaya)
20kHzまでの音を3次元的に再現する方法。計算量的にはGPUを使うことで何とかする。高周波の音をスピーカアレイで再生しようとすると空間的エイリアシングが避けられない。そのようなシステムで無理矢理音場再生をするとどうなるかを試した（？）。音源はソプラノ歌手の独唱。主観評価によって音源との距離を評価した。結果として、距離の違いを知覚することができた。なんか目的と評価があっているのか疑問。

Hybrid Reverberator Using Multiple Impulse Response for Audio Rendering Improvement (J. Li, CAS)
李さんが発表のはずだったが、個人的理由により同僚の方が発表。大量のインパルス応答を使うシステムではメモリ量が問題なので、インパルス応答を初期反射と後期残響に分け、後期残響の音源を確率過程でモデル化する（白色雑音とか）。後期残響の部分のインパルス応答をIIRフィルタで近似することでパラメータを減らす。計算量も提言できる。

Head-Related Transfer Function Modeling Based on Finite-Impulse Response (J. Zhang, CAS)
HRIRをそのまま使うと次数が高くて大変なので、HRIRの振幅スペクトルをできるだけ近似できるもっと低次のFIRフィルタを設計して使う。あらかじめ両耳間時間差を２つのHRIRから求めておき、生成したFIRに元と同じ時間差がつくよう調整する。性能を聴取実験によって調べた。47次ぐらいのFIRフィルタで数百次のHRIRを十分よく近似することができる。単にHRIRを打ち切ったりリサンプリングしたのと何が違うのという質問があって発表者が立ち往生していた。

Personal Auditory Tele-existence System Using a TeleHead (T. Hirahara, Toyama Pref. U)
富山～仙台でのテレヘッド接続実験の話。音声の遅延が777msあったが、それでも頭部運動があった方が定位精度が向上する。ビデオ会議用のコーデックの遅延が大きい。最後に流れたmobile telehead（移動台車にテレヘッドをつけたもの）のビデオは笑った。

Admissible Range for Indivisualization of Head-Related Transfer Function in Median Plane (M. Akagi, JAIST)
HRTFの個人化。HRTFの個人性に関係するのは主に第１ピークと第１・第２ディップ(P1, N1, N2)だが、それらが正中面上の高さに対してどの程度変動するのかを調べた。実験参加者が自分にあったHRTFの上位5つを選び、それらのP1, N1, N2の周波数の変動を見た。P1とN2に比べてN1の変動範囲が狭い。また、その範囲内でピーク・ディップを変動させたHRTFを作って聴取実験を行った。

Auditory Space Pereception during Active and Passive Self-Motion (S. Sakamoto, Tohoku U)
自己運動感覚と音源位置定位。自動的に直線運動する車いすに乗った人が横にたくさんあるスピーカーからの音を聞き、聞こえたのが前か後ろかを答えて、知覚的な「横」(Subjective Colonal Plane, SCP)を調べる。音が前から聞こえる場合は、SCPは前にシフトするのに対して、後ろから聞こえる場合は変化がない。次に、自動的に車いすが動く条件とペダルを使って車いすを加速する条件で同じことをした。動きがある場合はSCPが変化したが、最初の実験と逆の方向に変化した（より「後ろ」がSCPになる）。変化の具合はペダルを使うかどうかに無関係。

一旦部屋に荷物を置いて、すぐにバンケットへ。キーノートの会場がバンケット会場になっていた。

鈴木先生たちのテーブルに座っていたのだが、潘先生に「おまえの席はこっちだ」と連れて行かれ、来賓席へ。右隣には北京にある日立と北京工大の合弁会社の副社長の郭さん。日本語でいろいろ話をする。左隣は今朝のキーノートスピーカーのPatrizio Campisi先生。結構いろいろ世間話をした。

最初に北京工大の学生による合唱と室内楽のパフォーマンス。