3月18日(木)
朝3時半ぐらいに目が覚めたので、そのままメールを読んだり仕事をしたりする。5時頃咸さんも起きる。
7時に朝食。昨日と違うものを頼もうかと思ったが、どうもほかのメニューはボリュームがありすぎるので、結局昨日と全く同じメニュー。
朝食後しばらく仕事をして、9時頃出発。
会場に着くと、ちょうどプレナリーが終わったところだった。参加者がコーヒーブレークのパンとか果物をむさぼり食っているのを横目でみながら仕事。
午前中は、レクチャーセッションを中心に聞く。
SPTM-L5: Sampling Theory and Methods
SPTM-L5.1: UNFOLDING OF ALIASED HARMONIC FREQUENCIES (CNRS-ENS Lyon)
ス
ライドはほとんど数式、発表者は早口で何を言っているのかほとんどわからない。内容に期待していたのでちょっと残念。折り返し歪みが含まれたサンプリング
結果について、ある周波数要素がどのような折り返し歪みの重ね合わせなのかを数学的に調べ、入力に仮定を置くことで重ね合わせられた高周波成分を推定する
という話だと思う。対象は太陽放射の観測データ。
SPTM-L5.2: CONCENTRATION OF MEASURE FOR BLOCK DIAGONAL MEASUREMENT MATRICES (Colorado School of Mines)
ラ
ンダムプロジェクションを使った2つのベクトルの距離の計測。ランダムな行列Φで次元低減した場合、その低次元ベクトルの長さは元の次元でのノルムに近く
なる確率が高い。通常の理論ではΦは密行列だが、ブロック対角行列にした場合の議論。これは信号同士の相互関係が局所的である場合に対応する。信号のパ
ワーが一様である場合にはブロック対角でうまくいくが、パワーに偏りがあるとうまくいかない。ランダムプロジェクションはおもしろいので、いつか何かに
使ってみたいな。
ここで会場を移動。
AE-L3: Music Signal Processing
途中から入る。奥乃研の安良岡さんがFrank Soongに質問されて困っているところだった。
AE-L3.3: SONG-LEVEL MULTI-PITCH TRACKING BY HEAVILY CONSTRAINED CLUSTERING (Northwestern University)
複
数ピッチのトラッキング。従来は音符レベルのトラッキングのみだが、曲全体を考えたトラッキングをするところが新しい。トラッキングを、各ピッチ候補のク
ラスタリング問題としてとらえる。一つのクラスタに入る候補は同じ音色であることが拘束条件となる。そこで、音色の類似性(具体的には各調波成分の大きさ
の類似)と周波数軸上の近さを使って目的関数を設計する。分かりやすい発表だった。
AE-L3.4: HIGH PRECISION FREQUENCY ESTIMATION FOR HARPSICHORD TUNING CLASSIFICATION (Queen Mary University of London)
音楽の録音から、その楽器の音階の種類(平均律か純正律か等)を推定する。対象はハープシコード(深い意味はないらしい)。非常に精密な周波数測定が必要。楽譜情報は未知とする。分析手法はFFTや正弦波モデル分析など。
AE-L3.5: COVER SONG DETECTION: FROM HIGH SCORES TO GENERAL CLASSIFICATION (University of California, Berkeley)
カバー曲の検出。従来法では、2曲のクロマベクトル系列の相互相関とSmith-Waterman featureを使っていた。提案法では、異なるテンポのクロマベクトル間の類似度を統合して識別する。
AE-L3.6: MUSIC RHYTHM CHARACTERIZATION WITH APPLICATION TO WORKOUT-MIX GENERATION (Xiamen University/Microsoft Asia)
な
ぜか連名でないFrank
Soongが発表。何らかの基準で選んだ曲をDJ的につなげて再生する(Workout-Mix)のが目的で、そのために曲のリズムを推定する(KDDI
がやっているのと似たような研究か)。リズムの確率的な定式化。MIREXのデータでテンポ推定。拍の強弱を制約としてリズムを認識する。
会
場を抜けて昼食。今日はイタリアンにしようかということで、少し歩いて Main St.
にあるイタリア料理屋へ。この前の夕方通りかかったときにはふつうのレストランだったのだが、昼はカフェテリアになるようだ。Pasta
Trioという9ドル弱のメニューを頼む。パスタだけかと思ったら、巨大な皿のサラダとパンがついてきて、飲み物も飲み放題。パスタは何かと思ったらラザ
ニアだった。ボリュームありすぎ。
13時頃会場に戻り、しばらく内職。13時半からセッションを聞く。
SP-L7: Acoustic Modeling I
SP-L7.1: COVARIANCE CLUSTERING ON RIEMANNIAN MANIFOLDS FOR ACOUSTIC MODEL COMPRESSION (Toshiba Corporation)
音響学会で聞いたのと同じ話。リーマン多様体の性質を使って共分散行列間の距離を定義し(というかFisher情報行列で重み付けするだけだが)、共分散行列をLBGでクラスタリング。
SP-L7.2: SUBSPACE GAUSSIAN MIXTURE MODELS FOR SPEECH RECOGNITION (Microsoft etc.)
すべてのHMMが同じ状態数・混合数を持つとき、その状態数・混合数のUBMを1つ学習しておき、各音素HMMにそれぞれのUBM状態からの変換行列を学習する。それぞれの音素HMMをUBMからMLLR適応で作ることと等価。非常におもしろい。
SP-L7.3:
MULTILINGUAL ACOUSTIC MODELING FOR SPEECH RECOGNITION BASED ON SUBSPACE
GAUSSIAN MIXTURE MODELS (Brno University of Technology etc.)
上と同じ方法。UBMは音素に依存しないので、複数の言語で共有することができるというわけだ。元の学習データが増やせること、各状態固有のパラメータ(変換行列)が少ないことにより、高い性能を出すことができる。
SP-L7.4: DISCRIMINATIVE TEMPLATE EXTRACTION FOR DIRECT MODELING (University of California, San Diego)
単語の直接的なモデル化。フレーム系列と単語の対応を直接学習する。CRFをつかってテンプレートの切れ目を学習する。入力との対応はDPマッチング。
AE-P4: Audio Analysis, Synthesis, and Processing
AE-P4.2: AUTOMATIC AUDIO TAGGING USING COVARIATE SHIFT ADAPTATION (Arizona State University)
音響学会で聞いたのと同じ話。
AE-P4.3:
PERCEPTUAL AUDIO FEATURES FOR UNSUPERVISED KEY-PHRASE DETECTION
(Fraunhofer-Gesellschaft zur Foerderung der angewandten Forschung e.V.)
マッ
チングベースの語句検出。従来のMFCCではなく、フィルタのバンド幅を可変にしたHFCC(Human-Factor
CC)を使う。バンド幅を変えただけだが、検出性能は劇的に向上。バンド幅だけでこんなに変わるなら、認識性能をパラメータとしてバンド幅を最適化するの
もおもしろいかも。(HMMだとこんなに性能が違わないかもしれないが)
AE-P4.5: MUSIC MOOD CLASSIFICATION BY RHYTHM AND BASS-LINE UNIT PATTERN ANALYSIS (University of Tokyo)
嵯峨山研の角尾さん。音響学会で聞いた話。
AE-P4.7: TOP-DOWN STRATEGIES IN PARAMETER SELECTION OF SINUSOIDAL MODELING OF AUDIO (FORTH)
音
楽の正弦波モデルによる表現。従来手法では、FFTのピークから正弦波成分を検出してマスキングを計算し、マスクされない成分からまたピークを検出する処
理を繰り返す。提案法は、FFT結果に対してマスキング曲線をまず計算し、そこからでたピークを正弦波成分とする。また、2つの音を左右でパンするとき
に、それぞれの音に対して独立にマスキングを計算する手法を提案。
AE-P4.8: EVALUATION OF A STEREO AUDIO DATA HIDING METHOD USING INTER-CHANNEL DECORRELATOR POLARITY (Yamagata University)
近藤先生。以前からやっているステレオ信号へのデータ隠蔽の話(だと思う)。
AE-P4.9: ROBUST FREQUENCY-BASED AUDIO FINGERPRINTING(ENS Cachan)
音楽のfingerprinting。時間と周波数バンドごとにフィンガープリントを計算し、マッチングの時にはテンプレートと入力に共通の時間・周波数帯域のフィンガープリントだけを照合する。
AE-P4.11: SPATIAL AUDIO CUES BASED SURVEILLANCE AUDIO ATTENTION MODEL (Wuhan University)
音を使ったイベント検出。従来は音の大きさ変化のみを使っていたが、複数マイクロホンを使って音の移動も検出する。
AE-P4.12: ACOUSTIC FRONT-END OPTIMIZATION FOR BIRD SPECIES RECOGNITION (SRI International)
鳥の鳴き声認識。枠組みはUBM-GMM、特徴量はMFCC。利用する周波数帯域、フレーム長などを詳細に検討。EERは10%程度。
AE-P4.13: WILDLIFE INTRUDER DETECTION USING SOUNDS CAPTURED BY ACOUSTIC SENSORS (Technical University of Cluj-Napoca)
野
生動物保護区への侵入者認識。実際のタスクは、車・鳥・人間の音の3クラス音認識。小型センサでの実行を考慮して、時間領域での非常に簡単な処理を検討。
ゼロクロスの間の波形の特徴(ゼロクロス間時間とその間のピーク数)をベクトル量子化した特徴量を使う。簡単な特徴の割に性能はよい。
AE-P4.14:
GENERALIZED HARMONIC ANALYSIS OF ARC-TANGENT SQUARE ROOT (ATSR)
NONLINEAR DEVICE FOR VIRTUAL BASS SYSTEM (Nanyang Technological
University)
貧弱なスピーカシステムの音を改善するために、左右の音の低域をLPFで取り出し、非線形処理でひずませて高調波を作り出した上で元の音と混ぜる。2008年にICALIPで聞いた話の続きのようだ。非線形処理に逆タンジェントと平方根をかけた変な関数を使う。
ここでコーヒーブレイク。飲むのも食うのももう結構という感じ。
午後後半のセッションはあまり気になる内容がないので、座って今日のまとめと内職。
ホテルに戻って仕事しようかなと思ったところで、Frank Soongに会ったので少し話をする。私のようなものに声をかけてくれるのはありがたいことだ。今度中国に言ったらMicrosoft Asiaに遊びに行ってみよう。
5時過ぎにホテルに戻り、30分ぐらい仕事をする。どうしても眠いので少し仮眠。6時半頃に咸さんが戻ってきて、一緒に夕食のため外出。
なにを食べようか考えながら20分ぐらいふらふら歩いて(そのあいだろくな店がないのだ)、昨日の夕食のWest End付近まで歩いてきてしまった。
近くのログハウスで記念撮影。
この辺が町の中心なのだが、店が並んでいるエリアは見つからない。結局、昨日の夕食のステーキハウスの近くにあるメキシカンレストランに入ることに。レストランが並んでいてにぎやかなのはこの交差点付近だけのようだ。
レ
ストランはとても混んでいて、15分ぐらい待たされる。2つぐらい平行してパーティーをやっていて、店内ではビッグな兄ちゃん姉ちゃんたちが肩を組んで写
真を撮ったりしている。ようやく席に案内されると、陽気なボーイのおっさんが注文を取りにくる。ビールはとりあえずライトなものを頼む。
食
べ物をなににしようか考えて、スープ(ガスパチョ)とタコスを頼む。タコスだけで量が十分なのかなと少し思ったが、きてみると山盛りのトルティーヤチップ
スにタコス3つと付け合わせのピラフとカレー。もう勘弁してください。味はいいのだが。ちなみにカレーはバーモントカレーのような味がする(ここはテキサ
スだけど)。
1時間ほどのんびり飲み食いして終了。ビルの夜景が美しい。
Main St.を歩いて戻り、途中のCVSで咸さんがおみやげ購入。店に入ったら「後1分で店が閉まります」というアナウンスがあり、あわてて買い物をつかんでレジへ。無事買うことができた。
ホテルに戻って、フロントで明日の朝のタクシーを予約する。明日は5時出発だ。
部屋に戻り、日記を書いて少し仕事。11時頃寝る。
前の日へ 目次へ 次の日へ