2014/05/26


6時半起床。再度Wifi接続を試みたところ、今度はうまくいった。


シャワーを浴びて、7時過ぎに朝食。食べているときに伝票が来たので金がいるのかと思ったが、最後に部屋番号をチェックしてサインするだけだった。


明日の朝早いので、早朝に金浦空港に行くシャトルバスをフロントで聞いてみた。バス自体はたくさんあるようだが、金浦行きは乗り場が正門で、ホテルからは歩いて30分以上あるようだ。試しに正門まで歩いてみようと歩き出したが、片道10分行ったところで全体の1/4程度になったので、あきらめて引き返す。明日は荷物も多いし、どうしようかなあ。

9時半頃ロビーに行き、学生さんの案内で会場へ。


9時50分から金先生のご挨拶と教員の紹介。


10時から中国セッション。

Joint Video/Depthh/FEC Rate Allocation with Considering 3D Visual Saliency for Scalable 3D Video Streaming (Yanwei Liu, CAS)
3Dビデオストリーミング。特に3Dビデオストリーミングでは、映像と深度を独立に伝送する。モバイルネットワークでは、バンド幅やパケットロス率が変動するので、それに合わせて符号化する必要がある。スケーラブル3Dビデオ符号化として、UEP, Packet-level FECを使う。映像と深度はそれぞれ階層符号化され、映像・深度それぞれの階層ごとに異なるエラー訂正強度を仮定する。また、映像と深度の品質を重みつき平均して全体の品質を決め、それを最大化するように映像・深度それぞれのチャンネルへの情報量割り当てを決める。さらに、映像と深度それぞれのsaliencyに基づいて情報割り当てを変える(目立つところに多くの訂正ビットを割り当てる)。

Audio Watermarking Based on Multiple Echo Hiding for FM Radio (Xuejin Zhang, Beijing Inst. Tech)
FMラジオで伝送する音声の電子透かし。複数のエコーカーネルによるエコー法。FMラジオは関係ないような気が。スライドの字が薄いところがあってよく読めない。プレゼンはいまいち。音響伝搬5mでも80%以上の復元率なところはすごい。金先生が私の考えと同じつっこみ(何が研究のゴールなのかわからん、FM変調は関係有るのか?)をしていた。

コーヒーブレイク


Sound Localization of Rendered Sound Source Synthesized by Surrounding Loudspeaker Array with Spatial Aliasing (Yukio Iwaya, Tohoku Gakuin U.)
岩谷先生。音場の収録・合成システム。20kHzまでの音を含む音場を収録再生するためにはマイク・スピーカを8.5mm間隔で並べないといけないので、実際には空間折り返し歪みが避けられない。音場の再合成は32台のGPUクラスタで計算。実際の再生は通研の157チャネルスピーカ部屋で実行。この部屋のスピーカ間隔は50cmなので、折り返し歪みが起きない上限は340Hz。この条件で音源方向の知覚実験を行った。音源はホワイトノイズ。ホワイトノイズ全周波数を使った場合は比較的よい方向知覚が得られるが、340HzのLPF/HPFを通した信号ではどちらも(折り返し歪みがない場合も)方向知覚が悪くなる。この結果だけだと、音場合成と聴取信号が変わったことのどっちが方向推定の悪化に貢献しているのかが判然としないなあ。

Restoration of Instantaneous Amplitude and Phase Using Kalman Filter for Speech Enhancement (Masashi Unoki, JAIST)
スペクトルの瞬時振幅と瞬時位相を両方使う音声強調。入力をガンマトーンフィルタで複数のサブバンドに分け、各サブバンドで瞬時振幅と瞬時位相を求める。それらの線形予測結果からカルマンフィルタによって次の瞬時振幅と瞬時位相を求め、そこから音声を再合成する。BlindとNon-blind
の手法があり、Blindでは線形予測係数はあらかじめ学習しておくようだ。Wiener filter等と比較して高性能。振幅だけ、位相だけを復元した音声が流されたが、振幅だけでも雑音を抑圧する効果が高いようだ。位相を復元することで、復元音声がより明瞭になる感じがした。金先生から「瞬時位相をそのままモデル化するのはよくない。瞬時周波数をモデル化すべきではないか」という議論があった。

Singing Style Control for HMM-Based Expressive Singing Voice Synthesis (Takashi Nose, Tohoku U)
能勢先生。最初から背景がミクV3とかチャレンジングだな。重回帰HSMMによる歌唱音声合成のスタイル制御。基本的な重回帰HSMMの概念、Pitch Adapted Training、ビブラートのモデル化。デモでは大人−子供の1次元で制御した音声が流された。

昼食。ビビンバだった。




午後からポスターセッション。

Language Modeling for Speech Recognition of Disaster Information
Including Local Information (Kenta SHIGA, Takashi NOSE,and Akinori ITO, Tohoku U)
当研究室の志賀君。特定地域の災害情報の音声認識のために各種情報ソースを使って言語モデルを作る。よく見てなかったががんばって説明していたようだ。

Temporal Change of Perceived Reality in Mutimodal Content (Hiroyuki YAGYU,Shuichi SAKAMOTO, Emi TAKAHASHI, Tomoko OHTANI,
and Yoiti SUZUKI, Tohoku U)
鈴木研の柳生君。このまえ大学院ゼミで聞いたのと同じ話で、音・映像・振動の音のずれが臨場感にどう影響するかという話。使った素材が列車の通過なので、多少音や振動がずれてもわからないのが問題じゃないのかなあ。

Robust VAD Method Based on Modulation Transfer Function for Noisy
Reverberant Speech (Shota MORITA, Masashi UNOKI, and Masato AKAGI, JAIST)
聞けなかった。

Binaural Sound Source Localization in Noisy Reverberant Environments Based on Equalization-Cancellation Theory (Thanh-Duc CHAU, JAIST, Junfeng LI (IOA.CAS), and Masato AKAGI, JAIST)
2チャネルの音源定位。特定方向の音をキャンセルする評価関数を計算して、一番音が消えた方向が音源方向だという原理によるのだが、雑音源があるとその評価関数の値がずれてしまう。そこで、雑音だけの信号が来ているときに評価関数の値を計算しておいて、音の観測時に「雑音だけの評価関数」の値で観測時の評価関数の値を割ると、雑音源の影響を低減することができる。

Crossband Filtering for Stereophonic Acoustic Echo Suppression
(Chul Min LEE, and Nam Soo KIM, Seoul National University)
音のフィードバック系の片方がステレオ信号であるときのエコーキャンセル。従来法は信号をFFTした後で周波数ビンごとに処理をしているが、窓関数の影響によって、ある周波数の信号が隣の周波数ビンに影響する。そこで、隣接する複数の周波数ビンをひとまとめにして拡張ベクトルを計算し、その拡張ベクトルを単位としてエコーキャンセルを行う。SN比が高いときに効果的。

Reverberation and Noise Robust Feature Enhancement Using Multiple
Inputs (Shin Jae KANG, Tae Gyoon KANG, Kang Hyun LEE, Kiho CHO,and Nam Soo KIM,(Seoul National University)
複数チャネルの入力がある時の雑音下音声認識の特徴量の補償。観測信号を、入力音声・過去フレームからの残響・加法性雑音に分解し、音声をGMMでモデル化しつつ、GMMの各混合要素ごとにカルマンフィルタのような処理で音声と残響とを推定し続ける。

A Pairwise Approach to Simultaneous Onset/Offset Detection for Singing Voice Using Correntropy (Sungkyun CHANG,and Kyogu LEE, Seoul National University)
歌唱音声のオンセット・オフセット推定。相互相関にガウシアンカーネルを入れたみたいな奴(Correntropy)に基づいて音声の周期性マップみたいなのを作り、そこから音声の変動の大きさを表す評価値を計算。評価値はオンセットで極小・オフセットで極大になるので、極小と極大を持つテンプレートみたいなのを評価値に畳み込んでオンセットとオフセットを組にして検出する。

Reducing Octave Errors in Tempo Estimation by Employing Harmonic
Content Changes (Taehoon KIM,and Kyogu LEE ,Seoul National
University)
通常のテンポ推定では、オフセットを検出してからその間隔を自己相関とかで推定するので、倍テンポや半テンポが起きる。この研究では、クロマベクトルを音楽理論敵に変換した6次元ベクトルの変化の具合を考慮し、1つのビート区間ごとにコードが変化するという仮定に基づいてビートを推定して、そこからテンポを推定する。

Steepest Descent Optimization of Logistic Function for Packet Loss Concealment in ITU-T G.722 (Bong-Ki LEE, Hanyang University)
G.722でパケットロスが起きたときにはその部分を無音にするが、場合によってクリックのような音になってしまって聴感的な品質を下げる。そこで、受信済みのパケットと欠落パケットの間をシグモイド関数で重みづけ、聴感上の品質を上げる。この研究では、シグモイド関数の形状パラメータを逐次推定するのだが、原理と効果がいまいち納得できなかった。

このあと韓国のレクチャーセッション。

A Data-driven Approach ro Speech Enhancement Using Gaussian Procee (Sukanya SONOWAL, SNU)
音声強調。従来法では周波数ビンごとにSNRを求め、それによってWiener Filterを構成するが、真のSNRとはずれがある。そこで、ずれを機械学習によって学習し、真のSNRに近いものを推定する。学習にはガウス過程を使う。

Singing Voice Activity Detetion by Vocal Power Estimation Using Spectrogram (Jeongsoo Park, SNU)
Macの画面が移らなくて3番目に回るが、USBにプレゼンを入れて他のパソコンでプレゼンをやるにも苦労していた。
内容は歌唱音声のVAD。基本的な考え方は、音楽信号の中から直線要素(通常の楽器音)を画像処理的に除去して主に音声だけのスペクトルを作り、そこから音声部分を検出する。具体的には、パワースペクトルにガウシアンぼかしをかけてからピークを検出してピークだけの画像を作り、横方向にメディアンフィルタをかけることで横線を検出する。横線に対応する要素を抑圧すると音声ピークだけ残るので、それを周波数方向に積分して音声の評価値を得る。

Frequency-Domain Volterra Filter Based on Data-Driven Soft Decision for Nonlinear Acoustic Echo Suppression (Jihwan Park, Hanyang U)
エコーキャンセルの話だが、大きい音でスピーカーをドライブすると非線形が発生するので、従来の線形理論に基づくエコーキャンセルはうまく行かないので、非線形に対応できるVolterra Filterを使おうという話。説明は丁寧っぽいのだがいかんせんスライドの式が全くわからん。

次にITRCセッション。急に座長を引き受けることに。で、ITRCって何?

Management System Architecture for 3D Audio Evaluation Database (Jeonghyok Kim, Inha U)
何かのデータベースとその評価システムの話みたいなのだが、具体性がなくてよくわからん。XMLスキーマの話とか。3Dオーディオの話なので、「音響信号」とか「聴取者→HRTF」「位置」「部屋→インパルス応答」「システム→収録機材」「評価→定量的→sound_diffusion」などの項目があるようだ。

HMM-Based Surround Channel Audio Estimation from Front Channel Audio Sources (Chanjun Chun, Gwanju Inst Sch. Tech.)
ステレオ録音コンテンツを5.1chにアップミックスする方法。従来のアップミックス法ではチャネル間相関を使ってサラウンドチャネル信号を捏造するが、実際のサラウンド信号ではチャネル間相関が時間によって変化する。そこで、正面信号とサラウンド信号からHMMを学習し、それを使って正面信号からサラウンド信号(実際はサラウンド信号のサブバンドごとの強度)を推定する。特徴量はサブバンドごとのMDCT。評価にMUSHRAテストを使っているのだが、妥当なんだろうか?

これでワークショップは終了。一旦部屋に荷物を置いて、18時からバンケット。

バンケットは今日の昼食と同じく、Hoam Faculty Houseの地下。早速各種酒が並んでいる。


金先生の乾杯で始まる。ビュッフェで食べ物をとってきて自席で食べるスタイル。


意識的に韓国っぽいものを取っている。


1時間ぐらいでだいたい食うものは食って、少しずつ参加者が減っている。バンケットは20時前に終了。スケジュール上はこの後PI Meetingがあるはずなのだが、プロジェクトリーダーが金先生しか残ってないので流れた。

まだ時間が早いので、先生6名でソウル市内を見に行くことに。明日帰国なので、ここで見ておかないとソウルの中を全く見ないで帰ることになるからね。学生さんは日韓の学生同士でどこかに行ったようだ。

フロントでタクシーを呼んでもらって、タクシーでソウル駅まで。運転手が(韓国語で)「どこのソウル駅?」みたいなことを言っていたようだけど何のことかわからない。ソウル駅って2つ以上あるのか?「KTXか?」みたいなことを聞かれたが、KTXは乗らないのでNoと答える。

しばらく走って、どう考えてもソウル駅ではないところで一旦止まる。改めて地図を見せて、何とかまた走り出す。何だったんだろう。

さらに走って、今度はちゃんとソウル駅へ。「こっちは南大門ソウル駅だ」みたいなことを運転手が言っていた。他に何があるって言うんだよ。


そこから駅前大通りをわたるのにちょっと苦労したが、少し歩いて南大門。復元されてから来たのは初めてだ。


南大門から裏の方の南大門市場。さすがに夜遅いので、閉まっている店が多い。


おみやげにのりを買う。めんどくさいので値切らなかったら、おまけをたくさんくれた。荷物が増えた。


めがね屋が多い。いつ買うのか?今でしょ!


南大門市場から、歩いて明洞へ。


出店が多いが、なんか曲がったうまい棒のようなものを売っていた。何かと思ったらアイスクリーム。うまい棒的なものの中にソフトクリームを詰めてくれるようだ。坂本先生と能勢先生が挑戦。


そこからまたぶらぶら歩く。


途中ダイソーを冷やかしたりしながら散策。
だいぶ歩いて、疲れたのでどっかで一杯やって帰ろうということで、ちょい飲みできるところを探す。道ばたにテーブルを出してる店があったのでそこで飲むことに。

店のおばさんはメニューを出すのかと思ったら、この店のことが書いてある旅行雑誌(日本語)を出してきた。卵焼きがメインのようで、卵焼きと漬け物のセットを勧められたが、多かったので卵焼きだけ頼む。あとビール。


卵焼きはまあ普通においしい。卵焼きをつまみにビールを飲みながら30分ぐらい話をした。ちなみに、あとで調べたらこの店は場所だけガイドブックに載っていた。トンピョコルベンイという店だったが、ガイドブックにそれだけ書いてあっても何のことかわからないよね。

食べ終わって、タクシーで宿まで。行き先が通じたかちょっと不安だったが、無事到着。

シャワーを浴びて、明日の出発の支度をしたあと、24時頃寝る。

前の日へ 目次へ 次の日へ