3月16日（火）
6時半に起きるつもりだったが、5時に目が覚めてそのまま起床。外は雨。しばらくメールを読んだり、論文のチェックなど。
7時に朝食。1階のレストランで、目玉焼きとベーコン、ポテト、トースト。
ICASSPのオープニングとプレナリーがは8時からなのだが、ちょっと忙しいのでそこはさぼることにして、9時過ぎまでホテルで論文のチェックなど。
9
時過ぎに出発。雨はおおむね上がっている。歩いて5分ほどで会場のSheraton
Dallas。ホテルのどこで会議をやっているのかよくわからなかったが、ホテル棟の横にConference
Centerというのがあったので（外には何の表示もなかったが）そちらだろうと思って入ってみたら、当たり。会場の一番奥が受付で、無事受付をすませ
る。
今回のコンファレンスバッグは安っぽい不織布のバッグなので、面倒なら捨てていこう。おまけにICASSPの帽子がついてきた。
午前のセッションは10時半からなので、それまでどのセッションを聞くかチェックする。会場の奥に座ってしばらく待つ。
10時頃からコーヒーブレイクだが、信じられない量の食べ物が運ばれてくる。入りきれないほどの参加者がそれをムシャムシャ食う。さすがはアメリカ。
なんと生バンドの演奏つき。いきなり余興ですか。
10時半頃からセッションが始まり、ポスターセッションも聞く。
SP-P1:Confidence Measures for ASR/Speech Activity Detection
SP-P1.8
EVALUATING THE ROBUSTNESS OF PRIVACY-SENSITIVE AUDIO FEATURES FOR
SPEECH DETECTION IN PERSONAL AUDIO LOG SCENARIOS (Idiap Research
Institute)
対話分析のために対話を録音・蓄積するときに、内容をそのまま記録するとプライバシー上問題があるので、内容が聞き取れないような特徴量だけを記録する。
SP-P1.11 INTEGRATION OF SPORADIC NOISE MODEL IN POMDP-BASED VOICE ACTIVITY DETECTION (Samsung)
VADにPOMDPを使う。信号を1フレーム観測するたびに、その時点でVADの識別結果を出力するか、あるいは特徴量を追加してさらに識別するかを決定する。
SP-P11.12 CEPSTRAL MEAN BASED SPEECH SOURCE DISCRIMINATION (University of Washington)
ケプストラム平均を使って、今観測している音声が生音声なのかテレビの音なのかを識別する。基本的には伝達関数の推定なので、一般的に「生声」と「テレビから出る声」の識別ができるわけではなくて、環境依存だろう。
MLSP-P1: Learning Theory and Models II
MLSP-P1.4 A STUDY OF SEVERAL MODEL SELECTION CRITERIA FOR DETERMINING THE NUMBER OF SIGNALS (Chinese University of Hong Kong)
さまざまなモデル選択法の相互比較。モデル選択法の式の上での違いが並んでいて便利そうだった。
IFS-L1: Forensics
IFS-L1.3: FORENSIC ESTIMATION AND RECONSTRUCTION OF A CONTRAST ENHANCEMENT MAPPING (University of Maryland, College Park)
画
像のコントラストが操作されているかどうかの検出。画素値ヒストグラムの分布がどの程度スプラインで近似できるかを使う。また、コントラスト補正曲線を推
定し、元の画像の画素値を推定する。補正前の曲線ができるだけなめらかになるように推定するが、補正によるマッピング関数が連続ではないので、全探索を行
う。
IFS-L1.4: GEOMETRIC TAMPERING ESTIMATION BY MEANS OF A SIFT-BASED FORENSIC ANALYSIS (University of Florence)
画像の切り貼り(Copy-move attack)の検出。切り貼りの際にはスケール変換が施されることが多いので、多重解像度解析の結果上の特徴点に対してSIFT特徴量を計算し、それを階層クラスタリングすることで「怪しい領域」のペアを探す。
IFS-L1.5: DETECTING IMAGE REGION DUPLICATION USING SIFT FEATURES (SUNY Albany)
前の話と基本的には同じ。マッチングにはBest Bin First (BBF)アルゴリズムを使う。対応する複数の特徴点の関係を使って拡大縮小・回転を推定する。最終的に、どの領域をどの領域にコピーしたかを推定する。
IFS-L1.6: AUDIO FORENSICS FROM ACOUSTIC REVERBERATION (University of Michigan)
音
声をつぎはぎしているかどうかを、残響時間の違いによって検出する。残響時間の推定は単純なモデルで行っており、複雑な信号に対してどれだけ頑健かはやや
疑問。微妙な残響時間の違いにどれだけ敏感なのか質問してみたが、この手法だけでは残響時間が近い場合には識別が難しく、ほかの手法を組み合わせる必要が
あるだろうという答えだった。
12時半にセッションが終了。IFSの会場に近藤先生と西村先生がおられたので、一緒に昼食。咸さんも誘おうと思ってしばらく探したが見つからないので、放棄してそのまま外に出る。
3人で近くの店を探索し、メキシコ料理JusMexに入ることに。カウンターで料理をもらうカフェテリア式の安い店だ。ブリトー2本のセット。付け合わせはピラフと豆のペースト。
13時半近くに食べ終わり、急いで会場へ。最初はSP-L2を聞く。
SP-L2: Speech Analysis I
SP-L2.1: SINGLE-CHANNEL SOURCE SEPARATION USING SIMPLIFIED-TRAINING COMPLEX MATRIX FACTORIZATION
(University of Washington)
DFTスペクトルを2つに分けるために、NMFを複素数に拡張する。音声認識のための信号分離に応用して、性能が改善。
SP-L2.2: ON THE ROBUSTNESS OF THE QUASI-HARMONIC MODEL OF SPEECH (University of Crete)
前回のInterspeechでも聞いた正弦波モデルの話。窓長と近似精度の関係、および加法性雑音による性能低下の評価。
SP-L2.3:
A SHORT-TIME OBJECTIVE INTELLIGIBILITY MEASURE FOR TIME-FREQUENCY
WEIGHTED NOISY SPEECH (Delft University of Technology)
了解度の客観評価指標。1チャンネルで、周波数的に重みをつけた（雑音抑圧など）音声が対象。
座っているとどうにも眠いので、ポスターセッションに移動。
IFS-P1: Data Embedding and Forensics Analysis
IFS-P1.1: A CONTENT-ADAPTIVE APPROACH FOR REDUCING EMBEDDING IMPACT IN STEGANOGRAPHY (Peking University)
LSB matching (埋め込みビットが０のときはLSBをそのままにして、1の時はビットを変更する）において、ビットを変更する場合にできるだけ画像のなめらかさが保たれる方向にのみ変更する。
IFS-P1.2: ON THE SHANNON CAPACITY OF DNA DATA EMBEDDING (University College Dublin)
DNAへのデータ埋め込み限界。大腸菌のDNAに情報を埋めた例がすでにあるということで、ちょっと驚いた。Gene兼memeということか。
IFS-P1.4: DEVELOPMENT OF DIGITAL WATERMARKING APPLICATION TECHNOLOGIES FOR NEWSPAPERS (Hitachi)
新聞の文字の外側のギザギザの形に情報を埋める。新聞などの印刷文字媒体用。低解像度と高解像度で手法を変える。
IFS-P1.5: IMPROVEMENT OF POWER ANALYSIS ATTACKS USING KALMAN FILTER (Institut Telecom/Telecom ParisTech)
暗号化デバイスの電力解析攻撃をするときに、暗号回路以外の電力消費が雑音になる。そこで、雑音除去のためにカルマンフィルタを使う。
IFS-P1.6: HIDING INFORMATION INSIDE STRUCTURED SHAPES (Iowa State University/Mitsubishi Electric Research Laboratories)
図形に情報を埋める方法。図形の外周をベジエ曲線で表したときに、曲線のパラメータを微妙に変えて、そのパラメータのずれに情報を埋める。
IFS-P1.8: IDENTIFICATION OF RECAPTURED PHOTOGRAPHS ON LCD SCREENS (Nanyang Technological University)
液晶画面に映った写真を再撮影した画像の判別。液晶とデジカメのパラメータをうまく調整すると、人間でも45%ぐらい判別誤りがあるが、計算機でいくつかの特徴量(LBP,MSWS, CF等）を組み合わせると誤り率0.5%程度。
IFS-P1.10:
REVISITING THE SECURITY OF SPEAKER VERIFICATION SYSTEMS AGAINST
IMPOSTURE USING SYNTHETIC SPEECH (New Mexico State University)
HMM音声合成を使った音声認証の詐称。1分ぐらいの音声で適応すると、ほぼ完璧にシステムが騙せる。
IFS-P1.11: SECURITY AND EFFICIENCY ANALYSIS OF PROGRESSIVE AUDIO SCRAMBLING IN COMPRESSED DOMAIN
(Hong Kong University of Science and Technology)
音声信号のストリーム型暗号化で、従来の疑似乱数とXORの方法では安全性が低い。暗号化をするときに、一定時間ごとに暗号キーを生成して使う方法で安全性が向上。
IFS-P1.12: AUTOMATIC ACQUISITION DEVICE IDENTIFICATION FROM SPEECH RECORDINGS (University of Maryland)
音声を録音したマイクと回線の認識。手法は話者認識とほぼ同じで、UBM-GMM（ただしGMMはマイク・回線ごとに用意する）。データは少ないが、85%～100%の認識精度。
コーヒーブレイクの後、後半。
SP-P3: Robust Speech Recognition II
SP-P3.1: NOISE ROBUST EXEMPLAR-BASED CONNECTED DIGIT RECOGNITION (Radboud University Nijmegen)
音声の時間周波数パターンを直接標準パターンとして、その重み付けによって認識する。雑音もテンプレートを作り、それを重ねることで雑音にロバストになる。大昔にやっていた方法に似ている気がする。
MMSP-P2: Multimedia Database & Security
MMSP-P2.5: AUDIO FINGERPRINTING TO IDENTIFY MULTIPLE VIDEOS OF AN EVENT (Columbia University)
音を使って、個別に録画されたビデオクリップから同じ内容を検索する。Gabor waveletを使って時間周波数パターンから特徴点を見つけ、一定時間の中から特徴点を選んで、それをハッシュ関数にかけて短くして検索インデクスとする。
MMSP-P2.10: USING NAIVE TEXT QUERIES FOR ROBUST AUDIO INFORMATION RETRIEVAL (University of Southern California)
オーディオクリップとその説明記述、オノマトペ、ジャンルのデータベースがあり、それを使って任意の文章をオノマトペ－意味空間にマップすることで音楽のジャンル認識を行う。
MMSP-P2.11: FEATURE EXTRACTION BY INCREMENTAL PARSING FOR MUSIC INDEXING (Georgia Institute of Technology)
音楽信号に対してLZSQを適用して音楽を「単語」の集合に分け、それを単語だと思って音楽を単語集合に対応させる。そこに対してLSAとかLDAを使って音楽検索を行う。LSAの方が高性能。
MMSP-P2.12: BACKGROUND MUSIC IDENTIFICATION THROUGH CONTENT FILTERING AND MIN-HASH MATCHING (National Chiayi University)
BGMの認識。カラオケと同じ方法でステレオ信号の左右の差をとることでボーカルを消去し、とりきれない雑音が含まれた部分はカットして、残った部分から音楽を検索する。
ここまで聞いて、疲れたので部屋の奥の椅子に座り、聞いた内容をまとめたりする。
この後、学生さんはStudent Receptionでただで飲み食いができるのだったのだが、咸さんはかえって練習したいというので、そのまま宿へ。とちゅう、コンビニに寄って水とサンドイッチを買う。
ホテルに戻り、咸さんが持ってきたカップ麺、サンドイッチ、私が持ってきたおかゆで慎ましく夕食。今日の反省を話しあったりする。
８時頃シャワーを浴びて、日記のまとめなど。咸さんは明日の発表練習をしていたのだが、眠かったらしく途中で寝てしまった。
前の日へ 目次へ 次の日へ