3時半頃起きる。調子はいまいちで、時差ボケのせいか少し吐き気がする。とりあえずメールを読んだり仕事をしたりして過ごす。
7時過ぎあたりから朝の支度。具合が悪くて部屋も薄ら寒いので、バスタブにお湯を張って風呂に入る。普段はシャワーだけなんだが。少し暖まってやや体調が回復。
8時にロビーで待ち合わせ。待っている間にコーヒーを飲んで、パンもちょっと食べる。
三宅君が来ないのでホテルに放置して会場へ。最初は、Fred Juangによるキーノート。
・現代の通信スピード：100Gb/s （英語版Wikipedia全部を1秒で伝送可能） ・2010年には、2003年全体で生成した情報と同じ物を2日で生成する その中にはどのくらい有用な情報があるのか？ ・通信の歴史。手旗信号からテレグラフ、電話、ネットワーク。 ・AT&Tの電話ネットワーク。1915年に米国横断ネットワーク開通。 ケーブル減衰と負荷コイルの発明。 ・Harry NyquistとRalph Hartley: Transmission of intelligence and information シャノンの情報理論の先駆け ・Shannonの情報理論 ・明瞭度試験(Crandall&Fletcher) 電話では通信速度よりも品質の方が重要だった ・異なるレベルでの通信：信号レベル（Hartley, Shannon)→知覚レベル (Fletcher)→知能レベルへ ・知能が持つべき物 統計についての知識だけでなく、なにが「重要」か（高頻度が重要とは限らない） 知識を維持し取り出せる能力：Repository ・知能的通信に向けて Re-instatement of meaning Framework for handling circumstance ・「状況」を考慮する Non-Uniform (class-dependent) MCE learning ・Referential Naturalness 最後のまとめとして、「知能には状況・文脈を扱う能力が重要」ということ。
続けてOverview session。APSIPAの論文誌に掲載された論文のサマリを発表する。ふつうは逆だけどね。試みとしてはおもしろい。
FTV(free-viewpoint television) (Masayuki Tanimoto, Nagoya U)
谷本先生による自由視点テレビの紹介。FTVの原理とシステムのデモ。Super-multiview ディスプレイ。MPEG標準化の話。2022 FIFAワールドカップへの貢献の話。
Increasing image resolution on portable displays by subpixel rendering - a systematic overview (Oscar Au, HKUST)
液晶ディスプレイでは、1ピクセルを表現するのに3色のドットが横に並んでいるので、それをうまく扱うことで1ピクセル未満の表現精度が実現できる。古くは Apple IIが同じようなテクニックを使っていた。MicrosoftのCreatTypeも似たような技術。単純にやるとアーティファクトとして偽色がでるので、それをフィルタにより抑圧する。
Recent advances on active noise control: open issues and innovative applications (Kansai U/Nanyang Tech U)
前半は梶川先生。MRIのアクティブ騒音制御。後半はNTUのWoon-Seng Ganによるいびきキャンセルシステム。赤ちゃんの泣き声キャンセルシステム。バイクの音のキャンセルシステムをヘルメットに埋め込み。
コーヒーブレイクの後、Recent Topics in Speech Processing (II)を聞く。
Hierarchical Prosodic Boundary Prediction for Uyghur TTS (Xinjiang U)
No Show.
A Research of Dependencies between Frequency Components and Speaker Characteristics based on Phoneme Mean F-ratio Contribution (JAIST)
第２著者のHongcui Wangさんが発表。話者照合に効果的な周波数の非線形変換法。音素ごと・サブバンドごとに個人内と個人間の特徴量の分散比を見て、どのサブバンドが個人間の差をより多く含んでいるかを調べる。分析の結果、2000Hz、5000Hz、6000Hzあたりに多くの情報が含まれているようだった。その部分を細かくとるようにバンドパスフィルタを設計してケプストラムを計算すると、MFCCよりも性能が向上。性別による違いとそれ以外による違いをごっちゃにするのは良くないという意見が古井先生からあった。
Development of Note-Taking Support System with Speech Interface (U of Yamanashi)
ノートを取るための支援システム。音響学会で聞いた気がする。手書きメモの横に認識結果が出て、そこから認識単語を持ってくることができる。アンケートでは従来の方法よりも評価が高い。
An Online Evaluation System for English Pronunciation Intelligibility for Japanese English Learners (Toyohashi U of Tech)
中川研。日本人による英語の発音の良さの評価。方法自体は既報で、今回はそれをオンラインシステムとして実装したという話のようだ。利用しているコーパスはTranslanguage English Database (TED)。特徴量は複数の言語による音素認識尤度、スペクトル変化率、間違いやすい音素ペアの識別結果など。リアルタイムシステムでは、各種の尤度計算をすべて並列にサーバ上で行っていて、それをフロントエンドに持ってきている。実際に利用したときの発音の向上、ネイティブスピーカー評価との相関などを調べている。
Real-Time Semi-blind Speech Extraction with Speaker Direction Tracking on Kinect (NAIST)
ICAを使ったマイクロフォンアレイで音を拾うには話者の方向が必要なので、Kinectで話者方向を調べてそちらの音を拾う。
昼食。場所は同じ。今日はペンネ。
昼食後、1時間ほど時間があるので、ハリウッドの通り沿いをうろつく。いくつかお土産屋ものぞいたのだが、とくになにも買わずに会場に戻る。
午後のセッション。
Survey on Approaches to Speech Recognition in Reverberant Environments (NTT etc.)
吉岡さん。残響環境下での音声認識のサーベイ。最初は基本的な説明。直接音、初期残響、後期残響の違い。残響に対応する様々なレベルでの手法。残響除去法として、スペクトルの各周波数ビンごとに少し離れた位置からの線形予測を行う方法を紹介。デコーダレベルでの対処法として、REMOS(context-aware decoding)を紹介。
Recent Developments in Large Vocabulary Continuous Speech Recognition (IBM/National Chano Tung U)
Jen-Tzung Chienが発表。大語彙連続音声認識について。フロントエンド部では、最近はCMNとかCVNの代わりにHLDAが使われている。特徴量変換のfMLLRとMLLRを組み合わせることでWERが30%ほど低下している。特徴量とではfMPEもよく使われる。 話者適応手法としては、VTLN、MLLRなどが使われる。言語モデルの話題として、Modified Kneser-Ney LM、HPY-LM、LDA、MaxEnt、Model-Mなど紹介。 サーチではWFST、モデル統合でROVERやBaggingなど。 新しいアプローチとして、Subspace GMM、Canonical State Modelを紹介。Sparse Bayesian Sensing、BS-HMMなど。
Microphone Array Processing for Distant Speech Recognition: Towards Real-World Deployment (Disney/NEC/etc.)
マイクロフォンアレイを使った長距離音声認識。 Maximum Negentropy Beamforming。クリーン音声の振幅分布はガウス分布より鋭いので、観測音声の分布が鋭くなるようにビームを調整する。指標は尖度やネゲントロピーなど。
Exploiting Speech Production Information for Automatic Speech and Speaker Modeling and Recognition -- Possibilities and New Oppotunities (USC)
音声生成データの収集。超音波、Electromagnetic ariticulography（口内に磁気センサをつける）やfMRIなどによる計測。調音器官のジェスチャトしての発話。fMRI画像の自動セグメンテーション。計測結果からどうやって意味のあるパラメータを抽出するか。 音響信号からパラメータの推定。数理モデルベースの方法、コードブックによる方法、ANN、統計モデルなど。話者依存でパラメータを求める(Speaker-specific Inversion Strategies)。 音声認識に生成パラメータをどのように入れるか。Concatenativeな方法。VTLNに利用する。Articulatory Modeling。 調音運動をプリミティブに分けて、その連続としてジェスチャを表現する。 科学的理解。生成と知覚の関係。舌の形状とフォルマントの関係。
終了後、学会のプログラムとしてはシルク・ド・ソレイユの観覧があるのだが、チケットを買ってないのでそちらには行かない。
ということで、どこに行こうか考えていたが、ダウンタウン付近のリトルトーキョーに行ってみようと言うことに。カードのお金が足りなくなったので5ドルチャージ。地下鉄に乗る。
ユニオン方面でシビック・センターで降りる。途中に巨大なCity Hallがある。
そのふもとは公園になっている。看板にはやっちゃだめなことが1ダースも書いてある。
上の展望室みたいなところに上れるらしいということで、中に入ってみる。入り口にセキュリティゲートがあって、荷物チェックがある。
セキュリティゲートの奥がエレベーターホールなのだが、ふつうの押しボタンが見あたらない。自動的に来るのかなあとかいいながら待っていると、22階行きのエレベータがきたので乗る。
22階は市長のオフィスで、展望階は27階なのでさらにエレベータを乗り継がなければならない。特に客もいないふつうのオフィスで、なんか場違いな感じ。エレベータ前で待っていたが、普通のオフィスの人がやってきてボタンを押してエレベータに乗っていたので、そのボタンを押せばエレベータが来るのだということがわかる。単なる丸いボタンで、横に火事のマークがついていたので、押すのを躊躇していたのだ。
ということでエレベータで26階まで行き、さらに階段で27階へ。27階は電気がついていなくて薄暗く、来ちゃいけないところに忍び込んだ感が強い。
展望階からの眺めは良くて、薄暮からだんだんと夜景に変わっていくLAの町の様子が美しい。
しばらく夜景を楽しんだ後、エレベータで戻る。今回はスムーズ。
市役所を出て、すぐ近くのリトルトーキョーへ。何がどこにあるかよくわかる標識。
エリソンオニヅカストリートに入ると、怪しいファミマが。
以前ロサンゼルスに来たときにも見たチャレンジャーの記念碑。
近くの雑貨屋を冷やかす。なぜかど〜も君グッズが多い。初音ミクの非正規グッズとか。
そこから日本街へ。怪しい看板が多い。
日本街の中を一通り見物。アニメグッズショップとか。
何か食べようと店を物色。できるだけえせ日本食を食べるということで、「追分」に入る。
中は居酒屋風。
料理は変な寿司とか。スパイシーツナ天ぷら、豆腐サラダ、ころころスパム、スパイシーツナ巻き、ドラゴン狂乱巻き、ピザ巻きなど頼む。
スパイシーなんとか、というのは基本的に七味が振ってあるようだ。
ころころスパムはスパムが巻いてある春巻きみたいなもの。ソースは唐辛子マヨネーズだが、ぐるぐる巻いているのはカラメルのような気がした。
ドラゴン狂乱巻きとスパイシーツナ巻き。どちらもツナマヨ握りを寿司にしたような味わい。おいしいのだが、数個食べると胸焼けがする。ピザ巻きは並べた海苔巻き（裏巻き）の上にピザの具みたいなものが載っている。
ということで、寿司を食べた割には爽やかさがない状態で宿に戻る。
地下鉄でHollywood/Highlandまで戻り、CVSでちょっと買い物。
ちょっとだけ酒を買いたかったのだが、ちょっとだけは売っていないので、ワインの小瓶4本セットを買ってみんなにも配る。クーポンをもらったのだが、次はいつ使えるかなあ。
宿に戻り、ワインを飲みながらスライド作成など。22時頃寝る。