2016/8/31（水）
朝4時起床。昨日早く寝ちゃったからな。
右足の痛みは引いていない。むしろ腫れがひどくなっていて歩けないので、持ってきた痛み止めを飲む。
朝食は昨日の残りのスープとパン、ゆで卵、トマト、コーヒー。
しばらくメールを書いたりしながら過ごす。7時半ごろ出発。
今日も地下鉄駅で切符を買ってバスに乗る。昨日一度乗っているのでだいぶ慣れた。
今日はちゃんと最寄りの停留所で下車。
8時半からキーノート。
Wednesday, August 31, 08:30 - 09:15
WedA01: Plenary Talk
Network Localization and Navigation: Signal Processing Opportunities
Professor Moe Win
Massachusetts Institute of Technology, USA
Moe先生（男性）。Network Localizationとは何かよくわからなかったが、基地局からの電波強度に基づく自己位置推定のことのようだ。あんまり関係ないスライドを見せながら言葉で説明するタイプの講演なので細かいところはわからない。基地局からの電波による自己位置推定では最小二乗のような方法を使うと思うのだが、フィッシャー情報行列が出てくる定式化が示された。
Wednesday, August 31, 09:15 - 10:00
WedA02: Plenary Talk
Consensus Clustering Paradigms
Professor Asoke K. Nandi
Brunel University London, UK
講師はエルデシュ数が2でH-index60以上という人。最初は基本的なクラスタリングの話で、その後主題のConsensus Clusteringについて。様々なデータセットを様々なクラスタリングアルゴリズムでクラスタリングし、どのデータが同じクラスタになっているかを分析（？）するというもの。遺伝子解析への応用、fMRIによる脳機能解析などの応用。
コーヒーブレイク。人が少ない。ポスターセッションの方に行ってるのかな。
10:30から午前後半のセッション。
WedB05: Speech Processing - I
Regular Session
Room: Ballroom III
Chair: Patrick A Naylor (Imperial College London, United Kingdom)
Noise-adaptive perceptual weighting in the AMR-WB encoder for increased speech loudness in adverse far-end noise conditions
Emma Jokinen (Aalto University, Finland); Tom Backstrom (Friedrich-Alexander University Erlangen-Nurnberg & Fraunhofer IIS, Germany)
発表者はもそもそしゃべっている。雑音下の音声符号化。通常のAMR-WBでは聴覚重み付けによるベクトル量子化が行われているが、これを変更してコードベクトルが雑音の影響を受けにくいようにVQコードを選ぶ。具体的には雑音のスペクトルを推定しておいて、聴覚重みを計算する際に雑音スペクトルを重みにかけ算する。通常の聴覚重みづけに比べて符号化音声のラウドネスは大きくなるが、品質は必ずしもよくならない。しかしなぜこの方法で品質がよくなると思ったのかなあ。雑音の大きいところの重みを増やしているので、音は大きいがノイジーな音になってるんじゃないだろうか。
Independent Vector Analysis for source separation using an energy driven mixed Student's t and super Gaussian Source prior
Waqas Rafique (Newcastle University, United Kingdom); Suleiman Erateb (Loughborough University, United Kingdom); Syed Mohsen Naqvi (Newcastle University, United Kingdom); Satnam Dlay (University of Newcastle, United Kingdom); Jonathon Chambers (Newcastle University, United Kingdom)
IVAによる音源分離の事前分布として、スーパーガウシアン（多次元ガウス分布の中身が平方根に入っている）と、スチューデントのｔ分布を重みつきで足したやつを使う。エネルギーの大きさによって重みを自動的に決めるようだ。
High Quality Voice Conversion by Post-Filtering the Outputs of Gaussian Processes
Ning Xu, Xiao Yao, Aimin Jiang and Xiaofeng Liu (Hohai University, P.R. China); Jingyi Bao (Changzhou Institute of Technology, P.R. China)
ガウス過程による声質変換の改善。やってることはGMM声質変換でのGV補償と同じ。
Copy synthesis of phrase-level utterances
Benjamin Elie (Loria); Yves Laprie (Loria, France)
物理モデルによる音声合成。Copy synthesisは、モデルベースでいう分析合成に対応するもので、音声から声道パラメータを求めて、そこから音声を再合成する。音声器官のモデル化の細かいところまではわからなかった。
Unsupervised Learning of Temporal Receptive Fields Using Convolutional RBM For ASR Task
Hardik B. Sailor (DA-IICT, Gandhinagar, India); Hemant A. Patil (Dhirubhai Ambani Institute of Information and Communication Technology, India)
Convolutional RBMは複数フレームをまとめてRBMにかけたもの。TDNNによく似たトポロジーだが、RBMなので教師なし学習なところが違いか。ReLUを組み合わせる（よくわからないが、スタッキングしたあとDNNとして使うのか）ことでシグモイドよりもよい。単独で特徴量として使うと対してよくないが、FBANKと組み合わせてさらにDNNに突っ込むと性能が上がる。
Text-informed speech inpainting via voice conversion
Pierre Prablanc (Technicolor, France); Alexey Ozerov (Technicolor); Ngoc Q. K. Duong and Patrick Perez (Technicolor, France)
テクニカラーで音声の研究をしてるとは知らなかった。音声インペインティングは音声の欠けた部分を補う技術。パケットロス隠蔽と似た技術だが、もっと長い時間の欠落を補償する。欠けた部分を補う情報として、何を行っているのかがテキスト情報から補えるという仮定をおいている。欠けた部分をTTSで合成し、声質変換で対象の声に似せたうえで欠けた部分にはめ込む。
いずれの発表も実際の音を流すことができず、「あとでWebサイトで聞いてね」とのこと。音声に関係する発表会として、これはないんじゃないだろうか。
昼食。昨日と同じレストラン。コーヒーブレイクの会場でも昼飯を出していたようだ。
しばらく休んでメールを読んだりする。14時から午後前半のセッション。
Wednesday, August 31, 14:00 - 15:30
WedC05: Big Media Data Analysis
Special Session
Room: Ballroom III
Chairs: Alexandros Iosifidis (Tampere University of Technology, Finland), Ioannis Pitas (Aristotle University of Thessaloniki, Greece)
Towards Dynamic Classification Completeness in Twitter
Dimitris Milioris (Massachusetts Institute of Technology, USA)
何を言ってるかよくわからなくてつらい。ツイートに対してJoint Complexityというのを求めているが、目的がよくわからない。
Self-Organizing Binary Encoding for Approximate Nearest Neighbor Search
Ezgi Can Ozan (Tampere University of Technology, Finland); Serkan Kiranyaz (Qatar University, Finland); Moncef Gabbouj (Tampere University of Technology, Finland); Xiaohua Hu (Drexel University, USA)
大量のマルチメディアサーチ（画像とか）を行うために、クラスタリングを行う。ここではSOMを階層的に適用し、ある階層のSOMによる残差を次の階層のSOMでモデル化する。SOMセルの配置は、元データをPCAで圧縮した時の上の次元から一定の次元をとり、各次元で分散に比例する数の点を一様にばらまいた上で、全次元の直積を取ってそれをセルにする。通常のVQを階層的に行う方法はあるが、SOMを使うことで性能が上がるらしい。
3D Reconstruction Quality Analysis and Its Acceleration on GPU Clusters
Lukas Polok (Brno University of Technology, Faculty of Information Technology, Czech Republic); Viorela Ila (Australian National University, Australia); Pavel Smr? (Brno University of Technology, Czech Republic)
発表者はモヒカン（トサカの先端が赤い）。3DCGの再構成ということだが、前提がよくわからない。2次元に落ちたCGを3次元に戻す話かもしれない。中ではスパースな行列の方程式をどう並列に解くかという話をしていた。
A review of approximate methods for kernel-based Big Media Data Analysis
Alexandros Iosifidis (Tampere University of Technology, Finland); Anastasios Tefas and Ioannis Pitas (Aristotle University of Thessaloniki, Greece); Moncef Gabbouj (Tampere University of Technology, Finland)
この手のセッションでレビューとは珍しい。画像・映像の分析について。タスクは顔認識、表情認識、行動認識など。認識器として、カーネル法に基づく方法、低ランク行列近似など。
Digital Music Lab: A Framework for Analysing Big Music Data
Samer Abdallah (University College London, United Kingdom); Emmanouil Benetos (Queen Mary University of London, United Kingdom); Nicolas Gold (University College London, United Kingdom); Steven Hargreaves (Queen Mary University of London, United Kingdom); Tillman Weyde (City University, United Kingdom); Daniel Wolff (City University London, United Kingdom)
デジタル音楽学のためのシステム。信号処理や機械学習を使って低レベル～中レベルの分析をするシステムと、セマンティックWebを使ったこうレベル分析のシステムからなる。さまざまなソースから集めてきた大量の音楽データベースを持つ。ハードウェアやシステム構成などの説明。特徴量としてスペクトログラムやMFCCから音符記述まで利用できる。コレクションレベルでは、テンポの分布とかコード進行の分布などの特徴がとれる。フロントエンドとして各種のＵＩが利用可能。
コーヒーブレイク。
Wednesday, August 31, 16:00 - 18:00
WedD04: Speech Processing - II
Regular Session
Room: Ballroom III
Chair: Mads Grasboll Christensen (Aalborg University, Denmark)
Real-Time Vibration Control of An Electrolarynx based on Statistical F0 Contour Prediction
Kou Tanaka (Graduate School of Information Science, Nara Institute of Science and Technology, Japan); Tomoki Toda (Nagoya University, Japan); Graham Neubig (Graduate School of Information Science, Nara Institute of Science and Technology, Japan); Satoshi Nakamura (Nara Institute of Science and Technology, Japan)
電気喉頭音声のF0制御。カルマンフィルタでF0予測をするが、精度と遅延のバランスを取るために、生のF0とLPFをかけて無声部分を補間したF0を併用する。また、遅れを見込んで、F0予測に使う過去のF0とスペクトルをずらすことで、予測時点でF0とスペクトルが同期するようにする。
Modeling Unvoiced Sounds In Statistical Parametric Speech Synthesis with a Continuous Vocoder
Tamas Gabor Csapo and Geza Nemeth (Budapest University of Technology and Economics, Hungary); Milos Cernak and Philip N. Garner (Idiap Research Institute, Switzerland)
HMM音声合成のためのボコーダ。無声音の品質を上げるため、合成時点のラベルが無声音である音素は（モデルによる予測の結果に関わらず）強制的に無声化させる。そんなんでいいのか。
Robust Phonetic Segmentation Using Multi-taper Spectral Estimation for noisy and clipped speech
Bhavik Vachhani (Tata Consultancy Services Limited, India); Chitralekha Bhat and Sunil Kumar Kopparapu (Tata Consultancy Services, India)
ヒンディー語の教師なし音素セグメンテーション。録音環境はスマホを想定していて、雑音やクリッピングを仮定する。手法はフレーム間のスペクトル変動のローカルピークを境界とする簡単なもの。スペクトル分析の時に複数の窓関数で求めたスペクトルを重み付き平均するのが提案法らしいが、なぜクリッピングに強いのだろうか。
Continuous Fundamental Frequency Prediction with Deep Neural Networks
Balint Pal Toth (Budapest University of Technology and Economics); Tamas Gabor Csapo (Budapest University of Technology and Economics, Hungary)
さっきの人がもう一度登場。DNNを使ったF0推定。従来のようにF0と有声無声判定をするのではなく、連続したF0とMVF(Maximum Voiced Frequency)の推定を行う（どちらも連続値なのでモデル化が容易）。従来のF0と連続F0、HMMによる推定とDNNによる推定を比較。客観評価では連続F0の方が通常のF0よりもよく、DNNよりHMMの方が良かった。主観評価ではDNNの方がちょっと良い（たぶん有意ではない）。
High spatiotemporal cineMRI films using compressed sensing for acquiring articulatory data
Benjamin Elie (Loria); Yves Laprie (Loria, France); Pierre-Andre Vuissoz and Freddy Odille (IADI, Universite de Lorraine/INSERM, France)
物理ベース音声合成を目指して声道運動を正確に取りたいが、MRIを使うと原理的にフレームレートを上げられない。そこで圧縮センシングを使ってフレームレートを上げる。
Semi-non-intrusive objective intelligibility measure using spatial filtering in hearing aids
Charlotte Sorensen (Aalborg University & GN Resound, Denmark); Jesper Bunsow Boldt (GN ReSound, Denmark); Fredrik Gran (GN Resound, Denmark); Mads Grasboll Christensen (Aalborg University, Denmark)
スライドの文字がきわめて小さくてほとんど読めない。ついでに発表者も何を言ってるかよくわからん。
音声の了解度推定なのだが、ここでいうintrusiveというのはクリーン音声と雑音入り音声の両方を必要とする方法のことらしい。雑音入り音声だけから推定するnon-intrusiveな方法は手軽だが精度が低い。提案法では、マイクロフォンアレイを使って、ターゲット音声と環境雑音が鳴っている状況で音を収録する。耳に聞こえる音を無指向性のマイク特性で、ターゲット音声を超指向性のマイク特性で近似して推定を行う。
これで今日のプログラムはおしまい。この後バンケットがあり、ディナークルーズらしい。残念ながらバンケット料金を払っていないので、参加は無し。
水とツナ缶を買った。
バンケットの人たちはディナークルーズの埠頭まで王宮の丘を歩いて下るらしい。今の私の足でそれをやってさらに2時間船の上で立食とか耐えられないので、まあ良かったかな。
バスに乗ってDeák Ferencまで。
ホテルに戻って30分ほど休む。片足痛い中で無理やり一日活動するのはつらい。
一休みして、気を取り直して夕食を作る。最後のスパゲティをゆで、玉ねぎ、ツナ缶、ニンジンの千切りに残りのパスタソースを投入。グヤーシュの素を1ブロック加え、赤ワインを加えて適当に煮てシーズニングソルトで味付け。偽ハンガリー風トマトツナパスタの出来上がり。貧乏な感じの味がする。
足が痛くてあまり何かに集中できず、ぐだぐだしながら過ごし、21時ごろ寝る。
前の日へ 目次へ 次の日へ