7/7（月）

Key Note 1: From Video Semantic Interpretation toward Human Behavior Understanding (Jenq-Neng Hwang, ワシントン大)

Key Note 2: Digital Video Image Quality and Perceptual Coding (Kamisetty R. Rao, UTexas at Arlington)

Key Note 3: The Neural Basis of Language Processing in the Context of Development (Elena Plante,  U of Arizona)

Language and Speech Processing: Human Language Understanding and Learning

• Application of HTK to the Polish Language (University of York)
  この発表はproceedingsに含まれていない．てっきり取り下げだと思ったら，本人が来ていてびっくり．そもそも発表していいのか．内容は，HTK でポーランド語の認識をしてみましたというもの．音素モデルはtriphoneだが，規模は小さい．名前を誤認識するときに，同じ性別の名前に間違いやす いというのがちょっと面白かった．形態的な何かがあるんだろうか．
• On Automatic Construction of Based-NLP Chinese Medicine Ontology Concept's Description Architecture (Institute of Scientific and Technical Information of China)
  漢方医学の文献を自然言語処理的に解析して，漢方のオントロジーを自動的に作りましたという話．論文・発表とも英語がめちゃくちゃでよくわからない．もと もと漢方のシソーラスも情報源に含めているそうなので，それに比べて改善したのはどこか？と質問してみたが，埒が明かなかった．
• A Novel Feature Extraction Approach Based on PCA and Improved Fisher Score Applied in Speaker Verification (LanZhou University of Technology)
  No Show．
• Speaker Independent Emotion Recognition Based on SVM/HMMs Fusion System (North University of China)
  No Show．
• Auditory Features with Vocal Tract Length Normalization for Language Identification (Tsinghua University)
  GMMによる言語識別の特徴量の話．MFCCの三角窓の代わりにGammatone filterを使うのと，声道長正規化を併用する．また，Shifted Delta Ceptstrum(SDC)というのも使う．EERで評価．MFCCの場合3.20%から，Gammatone+VTLNで1.87%までエラーが減 少．
• Automatic Language Identification Using Support Vector Machines and Phonetic N-gram (Tsunghua University)
  各言語で連続音素認識を行い，それをN-gramで評価した尤度を全部まとめてベクトルにして，それをSVMで識別する．単に最大尤度を選択するよりも， SVMを使った方が精度が上がる．ベクトルの正規化の方法によっても性能に差があり，さらにGMM尤度もベクトルに加えるとよい．音素認識＋N-gram の枠組みはVQ+HMMとどのくらい違うのか？と質問したが，今後の検討だそうで．
• Vowel Recognition Based on Frequency Ranges Determined by Bandwidth Approach (Universiti Malaysia Perlis)
  マレー語の母音認識．LPCによる平滑化スペクトルを単峰の分布で近似し，その中心周波数とバンド幅を特徴パラメータとする．LPCより性能がいいとのこ とだが，本当かいなと片桐先生が突っ込みを入れていた．母音はいいけど子音はどうするの，と質問してみたが，子音についてはなんか別なことをするしかない ようだ．
• Speech Feature Extraction of Cochlear Implants on the Basis of Auditory Perception Wavelet Transform (Suzhou University)
  No Show．

Language and Speech Processing: LAnguage Acquisition and Reproduction

• An Empirical Evaluation of a Two-Dimensional Second-order Sound Field Recording and Reproduction System (The U. of Sydney)
  円形マイクロホンアレイで音を収録し，包囲型円形スピーカアレイで音場を再現．First-Order とSecond-Orderの違いが良くわからなかったが，音圧強度だけでなく音圧勾配も再現するということだろうか．基本的にスピーカアレイの中心のみ で音場を再現する．
• A Linguistic Reputation System Applied in Peer-to-Peer (Southwest Jiaotong University)
  No Show．
• Harmonic Analysis of Nonlinear Devices for Virtural Bass System (Nanyang Technological University)
  貧弱なスピーカのためのベースライン強調システム．LPFでベースの周波数帯域だけ取り出し，それを非線形処理で歪ませて高調波を作り出して混ぜなおす． どういう非線形を使ったらどんな高調波が出るか，それと元の音の性質との関係（単一正弦波か復号波か）の解析．FFTを使うなら，単にF0を検出してそれ をコピーして高調波を作ればいいんでないの？と質問した．まあそういう方法もあるよねという答え．
• Pruning Dependency Trees in a Syntactic Information Retrieval Model (University of Ulster, UK)
  No Show．
• A Detection of Lip-smack in Spontaneous Speech (South China University of Technology)
  Lip-smackの検出．Lip-smackの前後には無音がある場合が多いことから，まず短い領域を切り出し，HMMで認識．再現率/適合率が 81/87%なので，なかなかの性能．
• A Fuzzy Logic Based Speech Extraction Approach for E-Learning Content Production (Shandong University)
  発音評価のお手本を作るため，音声コンテンツの中から音声・非音声識別をする．いくつかのパラメータをファジイ論理で組み合わせて音声確率を計算する．普 通はGMMを使うんじゃないの？と質問したが，従来の音声・非音声識別の研究はあまりフォローしてないようだった．
• Relationship between Fundamental and Formant Frequency in Whispered Mandarin (Soochow University)
  中国語のささやき声から声調を推定する話．四声とF1〜F3の関係を分析した結果，F2と四声が関係ありそうだとのこと．「普通の音声でもそうなのか？」 という質問があったが，普通の音声だとそれほど明確な関係は見られないとのこと．人間にはささやき声の声調識別が可能なのかと聞いたら，人間で6割ぐらい だそうだ．今回の実験では人間に識別できたデータだけを使っているとのこと．
• Mispronunciation Detection Based on Cross-Language Phonological Comparisons (Chinese University of Hong Kong)
  広東語話者の英語発音の誤り検出．明日のキーノートのProf. Helen Mengの所の研究．広東語話者の発音誤りルールから，誤りを含む拡張辞書を生成し，それを使って認識．河合さんの研究との違いを聞いてみたが，「あちら は単語ベースだがこっちは連続音声認識」という答え．それはちょっと違うのでは．