2014/10/18
朝5時半起床。手早く身支度をして出発。
蒲田からは6:10のシャトルバスで羽田空港。5:50ぐらいに停留所について、ちょっと早いかなと思ったのだが、すでに結構人がいる。
そしてその後からもどんどん人が来た。私はかろうじて座れたが、バスは満員で乗り切れない客が出ていた。ここまで来てシャトルバスに乗れないって罠だよなあ。
20分ぐらいで羽田空港国際ターミナル。バスの中の人をかき分けて降りる。
チェックインして、荷物は預けないで出発ロビーへ。久しぶりだ。
8時ちょっと前に乗り込み。
結構がらがらなのかと思ったら、最終的には8割ぐらい客が乗っていた。
例によって乗り込んだら寝る。
しばらくして朝食。洋風か中華風か聞かれたので中華風と答えたところ、鶏肉の焼きうどんみたいなのが来た。ちなみに洋風だとスクランブルエッグとソーセージだった模様。パンもあるし炭水化物の宴だ。
途中は月曜日のスライドを作りながら移動。ほぼ完成。これで何とかなるかな。
飛行機はほぼ時間通りに11時15分頃着陸。そのまま移動して、バスでターミナルへ。
そこから入国へ。
短いラインに並んだのだが、先頭の人がもめていて時間がかかり、横の列に抜かされてちょっといらいらする。
しかし無事入国して、今回は手荷物だけなのでバゲッジクレームはスルーして、到着ロビーへ。人が迎えに来ているはずだと思って名前を探していたら、李軍峰先生が直接迎えに来てくれていた。わざわざ申し訳ないな。李先生のほか、女性と男性の学生さん（？）が一緒だった。
そこから男性の方が運転する車で中国科学院のキャンパスへ。音響研究所に行くのかと思ったら、もっと郊外の北京北部の{小不}柔（小不は1文字、ファイロウ）というところの新しいキャンパスに行くのだそうだ。李先生曰く「JAISTより田舎」ということで、確かに周囲には何もないエリア。
ところで最近中国科学院は「中国科学院大学」になって学部の学生が来たのだそうだ。どういう計画なのだろう。
30分ぐらいでキャンパスに到着。キャンパスは立派だ。
会議があるのはキャンパスの中の国際会議センター。
13時過ぎについたので、早速会場に行くのかと思ったら、センター地下のレストランみたいなところにいく。客は誰もいなくて、店員がテーブルクロスの片づけをしていた。店員と交渉して、これから一緒に昼食を食べましょうということだった。午後のセッションは14時からだそうだ。
ということで店員さんに注文。注文をiPadでとるシステム。iPad上に表示されるメニュー（写真付き）を自分でクリックすると注文できる。これは便利だ。
いくつか注文したメニューがくる。私はお客さんだからフルコースで頼まなければならなかったのだと思うが、昼にしては多い。まあ最初から全部は食べられないのだが。茶色いのはこの辺特産のニジマスの焼き物で、クミンとパプリカで味付けしてある。香ばしくていける。
14時にやや遅れて会場へ。
会場は、中央のコの字のテーブルに主要メンバーが座り、両脇に兆候の学生が座るという形。全員で70名ぐらいか。午後最初の発表の途中で入ったのだが、中央付近の席が指定されていてちょっと焦る。右隣がシンガポールのHaizhou Li先生、その隣がJHUのHynek Hermanski先生。左隣はソウル大のKim Namsoo先生。
ワークショップの趣旨は、今日の前1週間でやっていた音声認識と話者認識の評価ワークショップの参加システム紹介が主で、それに加えて各参加機関の紹介＋αという感じ。うちは評価ワークショップには参加しなかったので、去年町田君がやっていた耐雑音音声認識の話をする。
Issues and challanges in machine speech processing (Prof. Xihong Wu, Peking U)
DNN, LSTM-DNNを使った音声認識性能の紹介。
The first international speech technology evaluation の枠組み。中国語で、非常に状態の悪い対話音声。Maxout-LSTM DNNで文字誤り率50%ぐらい。
雑音の問題。マイクロフォンアレイによる音源位置推定。バイノーラル処理による音源方向推定。自動運転車での警報（救急車、消防車など）の検出と方向推定。バイノーラル音声強調。韻律句の自動ラベリング。音声合成。歌声合成。音声対話。
A large-scale speaker detection system based on i-vector (Prof. Qingyang Hong, Xiamen U)
大規模な音声検出のワークショップの枠組み。大量の音声の中から特定の人がしゃべっている区間を検出する。
i-vectorの紹介。Xiamen大学のシステム。500名の話者識別でEERが0.5%以下。チャンネル適応と話者ダイアライゼーションが問題。
Description of THUEE system (Cheng Lu, Tsinghua U)
最初に研究室の紹介。THUEEは音声認識システム（？）言語モデルはN-gramだけだが音響モデルでSPM (Stochastic Pooling Maxout)/CNN/DNN/CMNN (Convolutional Maxout Neural Network)/SGMM/GMMなどを併用（？）する。
Deep neural networks and its applications on speech recognition and speaker verification (Jie Li, CAS)
最初にDNNの基本的な話。One Pass Learning (Second order SGD, Averaged SGD)の話。この発表ではAveraged SGD(ASGD)に注目。パラメータ更新の時に、単に傾きを使って更新するのではなく、これまでのパラメータ値の（重みつき）平均値をパラメータ値として使うものらしい。学習率のスケジュールの比較。1GPUによるASGDは、4GPUによる通常のSGD学習よりも倍以上早くて性能は同等。
次に話者識別におけるDNNの利用。i-vectorの抽出にDNNを使う。GMMのスーパーベクトルを入力として、最終的には話者ラベルを吐くネットワークを学習して、出力層の一歩手前の出力から線形演算によってi-vectorを計算する（？）。プリトレーニングにfull Gaussian RBMを使う。通常のプリトレーニングつきDNNよりもEERで0.5%ぐらい改善。
An Overview of BIT speaker identification system for IAST evaluation (Zeping Xiao, Beijing Inst. Tech)
修士2年の学生さんらしい。基本的な話者識別の枠組み、UBMとi-vectorの話。単純な話者認識、長い音声の話者分割の枠組み説明。VADで分割した音声区間を短い単位に区切り、それぞれの区間に対して話者識別を行う。それを長い区間で集計して、多い話者を識別結果にする(clip-vote)。複数話者認識でUBM-GMMとi-vectorを比較したが、なぜかi-vectorの方が性能が悪かった。
Speech recognition under a real home environment using noise modeling and multiple decoding (A. Ito, Tohoku U)
私が発表。町田君のやっていた複数デコーディングの話。比較的（良い）質問も出てよかった。APSIPAで同じ話をするので予行演習になった。特にHermanski先生が興味を持ってくれたようで、その後も少し議論をした。Kim先生からは、「雑音除去にスペクトル減算を使っているが、SSは音声のレベル変化に弱いのではないか」という指摘があった。おっしゃるとおり。
Speech evalluation result and analysis (Yonghong Yan, CAS)
今回やっていた（うちは参加しなかったが）音声認識のコンペティションの枠組みと結果。
LVCSRは中国語対話と援護のニュース・電話会話。また、話者認識テストも行った。音声データはそれぞれ（英語・中国語）100時間。実行は同じハードウェア(Xeon 2640x2, 64G mem)。評価はWERとスピード。
評価には5機関が参加(Tsinghua, Peking, Xiameng, SYSU-CMU-JIE, Beijing IT)。
ワークショップからわかった今後の課題。
Yan先生が突然Li Haichouに話を振っちゃうという一幕も。
Hynek Hermanskiのコメントにあったように、こういう評価ワークショップでデータを共通化すると、システムをそれにあわせ込みすぎるので、それをどうするかが問題。
全体の発表が終わった後でみんなで記念写真を撮り、ホテルに荷物をおいて、センター地下の食堂に集合。ホテル棟は会議棟の隣の建物。
ホテルの部屋は結構立派なもの。うちの大学でもこういうのが欲しいものだが、実際作るときちんと管理できないんだよねー。
荷物をおいて食堂へ。今回のワークショップ参加者用のテーブルがすでに作ってあったが、普通の学生たちの夕食と会場は区切りがない。テーブルには番号が振ってあったのだが、先生方が何番のテーブルに座るかでちょっと迷った（1番のテーブルに座るはずだったのだが、1番のテーブルがなかった）。結局適当なところに座る。
飲み物は配られたが、始めるきっかけがなくて、みんなでオードブルを見ながら話をしている。19時過ぎにYan先生が始める宣言をして、宴会開始。隣がHermanski先生だったのでそこそこ話をする。白酒でなんども乾杯してすっかり酔っぱらう。
宴会の最後の方では、タバコを送りあってみんなで一服。私はタバコを吸わないので見てるだけだが。しかし「宴会の後でみんなで一服」という光景は日本では本当に見なくなったなあ。
20時半ぐらいに終了して部屋に戻る。とりあえずネット接続、と思ったのだが、ホテルのネットワークにつなぐと認証が通らない。説明書通りにやっているのだが（固定文字列＋部屋番号のユーザ名と固定パスワードで認証する）、中国語で何か（金払え、ということのようだ）エラーメッセージが出て接続できない。しかたないので１階に行って従業員を捕まえようとしたが、従業員は誰一人英語がしゃべれない。とりあえずインターネットの問題だということだけわかってもらい、そのうちの一人に部屋まで来てもらってネット接続をしてもらう。説明書通りにやってもうまくいかず、結局なにか別の部屋番号のユーザ名で認証。それでいいのか？
酔っぱらっているので、少しメールの読み書きをした後、２２時頃寝る。
前の日へ 目次へ 次の日へ