9月8日（火）

朝4時頃いったん起きる。もう一度寝るが、結局5時頃起き出して、論文の添削と日記書き。

7時半に朝食。今日はVegetarian Breakfastにしてみる。
 

会場まで歩く。

8時半からキーノート。
　
Tom Griffithsによる、人間と機械の学習における確率モデル。聴覚における磁石効果がベイズ推定の枠組みでよく説明されるという話はおもしろい。人間 の学習機構が柔軟なので、理論的に最適な識別器が学習できているということか。

10時から午前のセッションだが、あまり関連セッションがないので、もと先生と一緒に会場を抜ける。まず、会場から駅まで歩く。途中には教会とかがある。
　
　
駅に着いて、もと先生が切符を買う。
　

そこから歩いてRoyal Pavillionへ。こちらはジョージ4世の像。

昨日のレセプション会場の隣にある。ジョージ4世の住んでいた建物ということで、豪華なのだが、外観は妙に東洋臭い。入り口付近は工事中。
　


お金を払って中に入り、無料の音声ガイドを借りる。日本語はなかったので、Basic Englishを借りる。

中に入るといきなりピンク色の壁で、エセ中国風な内装。当時シノワズリが流行していて、ジョージ4世が中華風なものにはまっていたらしい。中華風なのだが 西洋風な内装や調度品、絵などが妙にインチキ臭い感じを醸し出している。

パビリオンの目玉、The Banqueting Roomは、ジョージ4世が宴会をやった部屋。ここは西洋風の内装で、きわめて豪華。目のくらむようなシャンデリアがある。奥には広いキッチンがあり、白 鳥が料理されている模型が飾られていた。

基本的に「客に見せる部分」は中華風で、それ以外のプライベートな部分（寝室など）はわりとシンプルな内装になっている。ジョージ4世の他、ビクトリア女 王の寝室などもあった。

中をみた後、ミュージアムショップで紅茶と石鹸を購入。

およそ昼なので、どこかで昼食をとろうということで、Old Laneの中にあるタイ料理屋Med Ped Ped Ped に入る。私は4種類のTapasのセット料理。やや辛ぐらいか。
　

昼食後、会場に戻ってポスターセッションを聞く。午後前半は、Speech Processing with Audio or Audiovisual Inputを主に聞く。

Tue-Ses2-P2-2    Estimating the position and orientation of an acoustic source with a microphone array network (Toyohashi University of Technology)
中川先生のところ。マイクロホンアレイのネットワークを使い、部屋の中で音がした方向と位置を推定する。

Tue-Ses2-P2-3    Singing voice detection in polyphonic music using predominant pitch (Indian Institute of Technology Bombay)
混合音からの歌声区間検出。混合音から優勢なF0を抽出し、その結果を使って正弦波モデル分析をする。得られた正弦波成分の時間窓内での分散を計算し、分 散が大きければ音声、小さければ楽器音と判定する。MUSの夏シンポで聞いた発表と同じ発想に基づく。弱点も同じで、弦楽器や管楽器への適用はこれからの 課題とのこと。

Tue-Ses2-P2-4    Word stress assessment for computer aided language learning (Universidad de Chile)
単語ストレスが正しいかどうかの自動判定。教師音声とDTWによって対応をつけ、その距離から判定をする。

Tue-Ses2-P2-6    Acoustic Event Detection for
Spotting "Hot Spots" in Podcasts　(Kyoto University)
GMMベースで音を8つのクラスに分類する。音響イベントの区間を決定するために、BICを使う。

Tue-Ses2-P2-7    Improving Detection of Acoustic Events Using Audiovisual Data and Feature Level Fusion  (Technical University of Catalonia)
会議室での音響イベントの検出。天井カメラ画像の併用によって性能が上がる。「紙をめくる音」などに効果がある。原理的に画像が使えない音もある（外から ノックする音とか）。

Tue-Ses2-P2-8    Detecting Audio Events for Semantic Video Search (INESC-ID Lisboa / IST)
ビデオの中の音響イベント検出。だいたい40種ぐらいのイベントを検出する。特徴量はPLP, MFCC, ZCRなど。SVMによる識別。

Tue-Ses2-P2-9    Factor Analysis for Audio-based Video Genre Classification (LIA)
Tue-Ses2-P2-10    Robust Audio-based Classification of Video Genre (LIA)
同じ機関の発表2件。ビデオのジャンル分類（5種類）。Music, News, Commercialなど。MFCCなどのほかに、長時間の特徴も使う。

Tue-Ses2-P3-4    Combined low level and high level features for Out-Of-Vocabulary Word detection (LIA)
音響、言語特徴の両方を使うOOV検出。OOV候補がその他の単語とどの程度似ているか。Webの情報も使う。

Tue-Ses2-P3-6    Unsupervised Estimation of the Language Model Scaling Factor (JHU)
正解データを使わない言語重みの推定。2つの異なるシステムで認識を行い、片方の結果を正解としてもう片方の言語重みを最適化するプロセスを交互に繰り返 す。

Tue-Ses2-P3-11    Automatic Out-of-Language Detection based on Confidence Measures derived from LVCSR Word and Phone Lattices (Idiap Research Institute)
認識対象外言語の検出。信頼度を使う。

午後後半は、もと先生の発表を冷やかしながら、広くポスターを回る。

Tue-Ses3-P2-2    Cued Speech Recognition for Augmentative Communication in Normal-hearing and Hearing-impaired Subjects (GIPSA-lab)
難聴者のコミュニケーション手段であるcued speech（ジェスチャを併用する音声コミュニケーション）の認識。

Tue-Ses3-P2-6    Detailed description of triphone model using SSS-free algorithm (U of Tokushima)
もと先生のtriphone+SSS-freeの発表。


Tue-Ses3-P2-7    Decision Tree Acoustic Models for ASR (Toshiba)
連続分布でなく、状態依存の決定木で離散化したHMM。状態ごとにベクトル量子化器を別々に使っているようなものか。

Tue-Ses3-P3-3    Age Recognition for Spoken Dialogue Systems: Do We Need It? (University of Edinburgh)
対話での年齢やインタラクションスタイルなどの認識。音響特徴だけでなく、言語特徴も使うと性能が向上する。

Tue-Ses3-P3-4    Speech-based and Multimodal Media Center for Different User Groups (University of Tampere)
マルチモーダルなメディアセンター操作。音声・ジェスチャによる指示、バイブレーションによるフィードバックなどの良さをアンケート評価。音声入力の評価 が高い。

Tue-Ses3-P3-5    Virtual Speech Reading Support for Hard of Hearing in a Domestic Multi-Media Setting (KTH)
音声からトーキングヘッドでの口の動きや表情を作る。難聴者の聴取補助用途。

Tue-Ses3-P3-8    Exploring Speech Therapy Games with Children on the Autism Spectrum (MIT)
自閉症児の発話改善のための音声ゲーム。

Tue-Ses3-P4-1    Confidence-Based Techniques for Rapid and Robust Topic Identification of Conversational Telephone Speech　(US Department of Defense)
ASRの結果からトピック認識。1位の単語カウントでなく、ラティス内の単語に信頼度で重みをつけてカウントする。

Tue-Ses3-P4-2    Localization of Speech Recognition in Spoken Dialog Systems: How Machine Translation Can Make Our Lives Easier (SpeechCycle, Inc.)
機械翻訳を使って、対話システムを丸ごと別言語に移植してしまう。英語のシステムをスペイン語に変換した場合でも、そこそこ動く。

Tue-Ses3-P4-4    Parallelized Viterbi Processor for 5,000-Word Large-Vocabulary Real-Time Continuous Speech Recognition FPGA System (Kobe University)
デコーダのFPGA化。Viterbi計算をするコアを2つ使い、5000語彙のシステムを実現した。ビームサーチは並列化と相性が悪いので、さらに並列 化を進めるのは大変そうだ。

Tue-Ses3-P4-9    Leveraging Sentence Weights in a Concept-based Optimization Framework for Extractive Meeting Summarization (International Computer Science Institute)
文選択式の要約。すべての文から基準に従って文を選ぶより、いったん要約対象になりそうもない文を削除してから文を選んだ方が精度が上がる。

終了後、夕食をとるために、またOld Laneの近くを徘徊。イギリスらしい料理が食べたいということで探したのだが、フィッシュ＆チップス以外にはあまりない。サセックス地方の料理という店 があったのだが、中身はパブのようで、あまりものを食べている人はいない。パブはたくさんあるのだが、パブの中の人はビールを飲んでいるだけで、ほとんど の人は何も食べていない。パブってそういうものなのか。日本でいうとカウンター式のスナックみたいなもんかな。わざわざ料理を食べるためには入らない、み たいな。みんな腹は減らないんだろうか。

仕方ないので、テラスで呼び込みをやっているところに入る。イギリス風のようなそうでないような、という感じのシーフード料理店。というか、店は奥の方に あるらしくて、店構えはテラスからは見えない。


私は小エビのカクテル、 魚のパイを頼む。仁先生はメインが魚のシチューだったのだが、あまり味が好みでないということなので料理を交換する。私はシチューもうまいと思うけどな あ。
　　

食べ終わって宿へ。仕事をしようかと思ったが、挫折して21時半頃寝る。
前の日へ  目次へ  次の日へ