11月24日（水）

4時半頃から目が覚めていたのだが、二度寝して5時頃起きる。今日発表のスライドをもう一度見直したり。

昨日買っておいたカップめんとおにぎり、のり巻きで朝食。シーフードヌードルはふつうの味。


シャワーを浴びて、7時半過ぎに出発。今朝はいい天気で、気温は低い。


会場に着いてみると、なんか発表の部屋が予定と違う感じ。自分の会場を探す。

8時半からセッションだが、下の写真にプロジェクタがないところに注目。会場にプロジェクタが運ばれてきたのが8時20分頃で、それからいろいろ調整し、スライドをコピーしたりして、始まったのは 10分近く遅れる。


W-L1: Audio and Music Processing: Music Information Retrieval

W-L1.1 A Query-by-Humming Music Information Retrieval from Audio Signals based on Multiple F0 Candidates
Akinori Ito1, Yu Kosugi1, Shozo Makino1, Masashi Ito2
1 Tohoku University, Sendai, Japan
2 Tohoku Insititute of Technology, Sendai, Japan
私の発表。5月の音情研の発表内容とほぼ同じ。ピッチトラッキングはしているのかという質問があった。セッション終了後も何人かから質問やコメントをも らった。比較的好評。

W-L1.2 Learning Hidden Variables in Bayesian Networks with Bayesian Entropy Criterion for Supervised Classification
Xiangyang Wang,Xiang Zou,Wanggen Wan,Xiaoqin Yu
Shanghai University, China
発表者の発音がひどくて聞きづらい。情報量基準としてBICに替わるBEC(Bayesian Entropy Criterion)を利用。BECはモデル化の良さというよりは識別の良さを考慮した情報量のようで、データだけでなく正解ラベルを考慮する。それって 実際に認識実験をしてパラメータを決めるのと違うんだろうか。BECを基準としてベイジアンネットワークの隠れ変数を推定する方法を提案しているのだが、 詳細はわからない。対象は化学データベース。細かい実験の枠組みなどはスキップされた。

W-L1.3 A Robust Algorithm of Double Talk Detection Based on Voice Activity Detection
Hanbo Bao1, Yi Yang1, Jia Liu1, Xiuguo Bao2, Qingsheng Yuan2
1Tsinghua University, China
2CNCERT/CC, Beijing, China
電話などでのエコーキャンセルの適応学習で、両側の話者が同時にしゃべっている部分を使うと精度が下がるので、両側の話者の同時発話を検出する。そのため にVADの手法を使い、どっちがしゃべったかを識別する。耐雑音性能を上げるために移動平均フィルタを使う。両端の音声の相互相関とパワー比も使う。定量 的評価はなし。ナイーブな方法では難しいんだろうか？

W-L1.4 Low Latency Audio Pitch Shifting in the Frequency Domain
Nicolas Juillerat, B´eat Hirsbrunner
University of Fribourg, Switzerland
レイテンシの少ないピッチシフト手法。フェーズボコーダを使うと、性能を上げるために窓幅を広くする必要があり、レイテンシが下がる。提案法では、周波数 ビンを無理矢理広げ、品質を上げるためにphase propagationを行う（詳細不明）。また、周波数を伸び縮みさせたせいで時間成分に直したときの窓関数が崩れ、そのせいでオーバーラップで復元すると振幅変調がかかったよ うな音になる。それを改善するために、窓関数の補正を行う。また、レイテンシを下げるために、長い窓関数を使わず、複数の短い窓関数による分析結果を 補間する。面白かったが完全には理解できなかった。「単独音声ならともかく、音楽信号でレイテンシの小さいピッチ変換の必要なアプリはあるのか？｣と質問した。

W-L1.5 Multi-layered Features with SVM for Chinese Accent Identification
Jue HOU1,2, Yi LIU1, Thomas Fang ZHENG1, Jesper OLSEN3,Jilei TIAN3
1Tsinghua National Laboratory for Information Science and Technology, Beijing, China
2Tsinghua University, China
3Nokia Research Center, Beijing, China
中国語のアクセント認識。特徴量として、MFCCに加えてピッチ包絡の多項式近似の係数を使う。識別方式はGMM+SVM。性別依存、アクセント依存の GMMをMFCCとピッチ用にそれぞれ作り、その尤度をSVMに入れて識別する。対象は重慶方言と上海方言。重慶方言と上海方言でなにが違うのか聞いてみ たら、声調にかなり差があるらしく、重慶では5種類、上海では6種類有る（標準では4種類）ようだ。その辺の声調によるピッチの分布の差を捉えているのだ ろう。

W-L1.6 Performance Analysis and Evaluation of AVS-M Audio Coding
Zhang Wen, Zhang Tao, Zhao Liang, Zhang Hai
Tianjin University, China
No Show。

W-L1.7 Multi-pitch Determination Algorithm Based on Mixture Laplacian Distribution
Xueliang Zhang, Wenju Liu, Bo Xu
National Laboratory of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences, Beijng , China
コレログラム（聴覚フィルタ出力の各チャネルで自己相関をとったものを全チャネルで積算したもの）を使った 複数ピッチ抽出。提案法では、自己相関関数の出力を混合ラプラス分布でモデル化し、ピークを鋭くしてから積算することで最終的なアーティファクトを削減す る。他のマルチピッチ抽出手法(HTCとか)とは比較したのか？という質問をしてみたが、コレログラムをベースにした方法としか比較す る気はないらしい。

W-L1.8 An Efficient Loudness Estimation Algorithm for Speech Signal
Jing Lu1,2, Wanggen Wan1, Xiaoqing Yu1, Jing Zhang1
1 Shanghai　University, Shanghai 200072, China
2 Shanghai University of Electric Power, Shanghai 200090, China
No Show。

進行が押していたのだが、No Showが2つあって時間ぴったりに終了。すばらしい読みだ。


コーヒーブレイクの間に、昨日頼んでおいた領収書を受付で受け取る。昨日もめた割には、あっさり受け取ることができた。

コーヒーブレイクの場所の周りではポスターセッションをやっているのだが、1発表あたりA3版1枚。こんな小さいポスター見たことない。オーラルセッショ ンよりもポスターの方が遅く始まって早く終わっているので、本当にポスターセッションをやっていたのかどうかわからない。やる気ナッシングって感じ。


W-L5: Audio and Music Processing: 3D and Surround Sounds

W-L5.1
Musical Visualization and F0 Estimation Using Neural Network
Pat Taweewat
University of Sydney, Australia
ベトナムあたりの人っぽい。ぼそぼそしゃべる人で、狭い部屋でマイクを使っているのに、なにを言っているか非常に聞き取りづらい(発音の問題かも)。

FFTによる振幅スペクトルを3層ニューラルネットにつっこんでF0推定をする。そのほかに、周波数軸を変換したスペクトル（？）、聴覚フィルタ出力も使 う。対象は管楽器。スライドの文字はほとんど見えないし言っていることも聞こえないので、理解する気が失せる。

W-L5.2 Fast Convolution for Binaural Rendering Based on HRTF Spectrum
Meng-Yao Zhu, Ning Chen, Xiao-qing Yu, Wang-gen Wan
Shanghai University, China
音楽コンテンツに高速にHRTFを畳み込むために、音のMDCT表現に直接HRTFを作用させる。そのためのMDCTドメインでのHRTFの行列表現を求 めた。また、隣接するフレームの影響を高速に計算するDynamic Adjacent Element Optimization (DAEO)を導入。詳細不明。

W-L5.3 Study on Algorithm of Masking Digital Watermarking in Wavelet Transform Domain Based on Chaos Encryption and Arnold transform
Zhu Xi’an, Wang Yongsheng
Beijing Information Science and Technology University, China
No Show。

W-L5.4 Sparse Constraint Multidelay Frequency Adaptive Filtering Algorithm For Echo Cancellation
Jin Jian, Gu Yuantao, Mei Shunliang
Tsinghua University, China
ネットワークディレイなどのように、インパルス応答が一部だけ値を持っている（だらだらした残響がない）場合のエコーキャンセル法の提案。周波数ドメイン での適応フィルタの適用。英語が下手でなにを言っているのかわからん。適用は周波数ドメインだがフィルタ係数の更新は時間ドメインでやるらしい。

W-L5.5 A New Fragile Audio Watermarking Scheme
Ning Chen1, Meng-yao Zhu1, Sen Liu2
1Shanghai University, China
2Lanzhou Military Command Political Department Security Department, Lanzhou, China
No Show。

W-L5.6
Effects of Frequency Range, Timbre and Intonation on Melodic Contour Identification with Acoustic Simulation of Cochlear Implant
Lichuan Ping1,2, Meng Yuan1, Qinglin Meng1,2, Haihong Feng1
1Chinese Academy of Sciences, Shanghai,China
2Graduate University of Chinese Academy of Sciences, Beijing,China
人工内耳装着者の知覚する音のシミュレーション。それを使って、人工内耳装着者のMelodic Contour Identification (MCI)能力がどういう影響を受けるかを調査した。MCIは、メロディの「上がる」「下がる」「一定」などの動きを当てるもの。さまざまな楽器、長さな どの音について、人工内耳の周波数範囲などのパラメータが聞き取りにどういう影響があるかを調べた。ピアノの低音などの聞き取りがよくない。

W-L5.7
Digital Piano Keyboard Based on PVDF Piezoelectric Film
Shupeng Liu1, Lin Chen1, Xiangming Zhu1, Lili Dai1, Yanfei Xin2
1Shanghai University, China
2 Zhejiang Institute of Medicine Sciences, Hangzhou, Zhejiang , China
No Show。

W-L5.8 Evaluation Of Wide Area Sound Control System Using Power Envelope Inverse Filtering
Ryohei NAKADA, Shigeki HIROBAYASHI, Toshio YOSHIZAWA,Tadanobu MISAWA
UNIVERSITY OF TOYAMA, Japan
トランスオーラルシステムで室のインパルス応答の影響を除く方法。Power Envelope Inverse Filtering (PEIF)は、室の広い領域での制御が可能。入力信号と室のインパルス応答をサブバンドの搬送波と振幅に分解し、振幅だけを対象に逆フィルタを設計す る。なぜそれがよいのかは発表からはよくわからなかった。

質疑の途中で部屋を抜けて昼食へ。今日も隣の南華亭酒店。複数のイベントの客がきているらしく、ICALIP割り当ての席は混んでいる。ようやく空きを見 つけて、急いで食べる。味はいまいち。


中国の学会で出される食事はこんな感じでビュッフェが多いのだけど、毎回感じるこのエサ感は何なんだろう。炒め物とかが皿の中で混ざってしまうのが問題な んだろうか。

12時半頃会場に戻る。午後最初のセッションは座長なのだ。会場に入り、自分の分の発表スライドを備え付けのPCにコピーして、余った時間で日記を書くなど。

13時10分からセッション。Co-chairはポーランドのBaltosz Ziolko。私が全般を仕切って、彼がタイムキープをすることに。最初のプログラムでは私が最初の発表のはずだったのだが、発表者の都合により順番が急遽変更。

W-L10 Langugage and Speech Processing: Speech Recognition and Understanding

W-L10.9 Two-level Approach for Detecting Non-lexical Audio Events in Spontaneous Speech
Yan-Xiong Li, Qian-Hua He,Wei Li,Zhi-Feng Wang
South China University of Technology
拍手や笑いなど、非言語的イベントの検出。音響イベントの長さ、イベント依存の特徴（笑い声の繰り返しなど）を使う。ヒューリスティックな決定木を使って 長い拍手を分離した後、HMMで笑い、フィラー、通常音声を分離。

W-L10.2 A Study on Sports Video Classification based on Audio Analysis and
Speech Recognition
Li Lu1, Qingwei Zhao1, Yonghong Yan1, Kun Liu2
1 THINKIT speech lab,Institute of Acoustics,Chinese Academy of Sciences China
2 Sony China Research Lab, Beijing, P.R.China
No Show。

W-L10.3 Speech Modelling using Phoneme Segmentation and Modified Weighted Levenshtein Distance
Bartosz Zi´o?ko, Jakub Ga?ka, Dawid Skurzok
AGH University of Science and Technology, Poland
提案システムでは、最初に音声をセグメンテーションしてから各部を音素と見なして認識し、それを辞書とマッチングして結果を出す。こういうカスケードなシステムはいまどき珍しい。辞書とのマッチングに重 みつきレーベンシュタイン距離を使う。対象は名前認識。重みは音素の混同確率ではなく、各セグメントが特定の音素である確率の差だけを使う。

W-L10.4 Excited Commentator Speech Detection with Unsupervised Model Adaptation for Soccer Highlight Extraction
Yi Sun1, Zhijian Ou1, Wei Hu2, Yimin Zhang2
1 Tsinghua University, China
2 Intel China Research Center, Beijing ,China
サッカー試合中継のビデオからのイベント検出。アナウンサーの音声が興奮しているかどうかを使う。手法はGMM。教師なし適応によって精度を上げる。特徴 はMFCC、ピッチとΔ/ΔΔピッチ、有声性特徴、パワー。区間の長さも考慮に入れる。ゴールの検出で、再現率87%。

W-L10.1 A Spoken Dialog System Based On Automatically-Generated Example
Database
Akinori Ito1, Takahiro Morimoto1, Shozo Makino1, Masashi Ito2
1 Tohoku University, Japan
2 Faculty of Engineering Tohoku Insititute of Technology, Japan
私の発表。一昨年度MC卒業の森本君による対話システムのためのデータベース作成の研究。音声専門の研究会とかだといまいち感が漂うのだが、ここで発表する とちょっと輝いて見える。質疑も比較的活発。

W-L10.6 Whispered Speech Speaker Identification based on SVM and FA
Xiaojiang Gu,Heming Zhao
Soochow University, Suzhou, China
ささやき声による話者認識。UBMを話者にMAP適応し、その平均ベクトルから作ったスーパーベクトルを特徴量としてSVMで認識。チャネル正規化に力を 入れているようだ。ささやき声専用の処理はないような気がするのだが、なぜささやき声なのかはわからなかった。

W-L10.7 A Low Complexity Motion Estimation Algorithm Suitable for Frame Rate Conversion
Xuewei Chen,Jingjing Zhao, Eryan Yang
Shanghai University, China
動画像のフレームレートを上げるためにブロックマッチングによる動き補償をするが、それの計算量を下げる方法。ブロックをさらに小さいサブブロック（３× ３）に分け、その内側のサブブロックの動きベクトルだけ計算する。

W-L10.8 A Simplified Engineering Super-Set of Phonetic Notation for European Multi-Language Text to Speech Development
Zhenli Yu1, Ping Qian1, Dongjian Yue2
1Shanghai Institute of Technology, China
2Shanghai University, China
通常のアルファベットで書ける発音記号SESSetの提案。基本的に1音素は通常のアルファベット2文字で書かれ（記号は無し）、メジャーなヨーロッパの８言語の 音韻をカバーする。現在91音素が定義済み。

W-L10.5 A Heuristic-based Rough set Features Optimization Algorithm for Compressed Audio
Zhi Wang, Xiaoqing Yu, Dinghu Qing, Wanggen Wan
Shanghai University, China
No Show。

コーヒーブレイクの後、最後のセッションをがんばって聞く。

W-L13: Language and Speech Processing: Language and Speech Understanding

W-L13.1 A Robust Transcription System for Soccer Video Database
Nhut M. Pham, Duc A. Duong, Quan H. Vu
University of Science, VNU-HCM, Vietnam
サッカー中継音声の認識。対象はベトナム語。SSによる雑音抑圧、教師無し音響モデル適応、GMMによる音声・非音声識別、語彙変換（外来語、外国人名） モデル、声調を統合した音響モデル。最終的な認識性能が80%以上あって驚いたが、話者依存モデルだそうだ。

W-L13.2 Vision-aided Speech Recognition System for a Small Four-legged Robot
Xiaofeng Wu1,2, Ryohei Nakatsu3
1Fudan University, China
2Kyoto Institute of Technology, Japan
3National University of Singapore, Singapore
関西電力（？）との共同研究らしい。家庭で動く小型ロボット。以前の方式では、天井にマイクロホンアレイをつけてユーザの発話を拾い、サーバで音声認識し て無線でロボットにコマンドを送っていた。それに基づいてロボットがユーザに近づき、ロボットのマイクロホンアレイで音声を認識した。ロボットを犬型に改 良したが、スペースの関係でマイクロホンアレイがうまく設置できなくて（背中に設置）認識性能が落ちた。新システムでは単一指向性マイクを頭に設置、多少 性能が上がった。マイクが単一指向性なので、カメラで顔検出をして、そっちの方に顔を向けることで性能が上がる。議論が結構盛り上がった。ところで中津先 生っていまシンガポールにいるの？

W-L13.3 Study of SVM decision-tree optimization algorithm based on genetic algorithm
Xiaoqing Yu, Junwei Liu, Yanfei Zhou, Wanggen Wan
Shanghai University, China
No Show。

W-L13.4 Ranknet Based English Stressed Syllable Detection
Xiaohong Yang, Qingcai Chen, Ling Wan, Xiaolong Wang
Harbin Institute of Technology
トラブルにより、この発表は最後に。英語の強勢音節の認識。特徴量にフラクタル次元（何の？）を使うところが珍しい。その他の特徴はパワーとか。 Ranknetはニューラルネットの一種で、入力データの順位を推定する。誤り率は12%ぐらい。

W-L13.5 Dimension Reduction of Photolithography Data Based on PCA
Lei Wang, Xiangyang Wang, Wanggen Wan, Xiaodong Yang, Bin Cui
Shanghai University, China
ICのリソグラフィのデータをPCAで圧縮しましたというだけの発表。何が面白いのかわからん。

W-L13.6 Articulated 3D Human Pose Estimation with Particle Filter based Particle Swarm Optimization
Xiangyang Wang,Lei Wang,Wanggen Wan,Xiaoqin Yu
Shanghai University, China
朝一のセッションで座長をしていた発音の悪い人が発表。Annealed Swarm Optimizationに基づくパーティクルフィルタを使う。最適化がSwarm Optimizationの改良であることはわかったのだが、姿勢推定とどういう関係にあるかの基礎がわからないので、全体的な話の流れが理解できなかっ た。

W-L13.7
A Project Study for Extracting Suspicious Packages from Surveillance Video Programs
Zhang Nana
Shanghai Jianqiao College, China
No Show。

W-L13.8 An Initiative of Bangla-English Natural Language Translation using Case
Narzu Tarannum,Md. Khalilur Rhaman
Southeast University and BRAC University, Dhaka, Bangladesh
ベンガル語−英語翻訳。ベンガル語は語順が自由で格マーカーが発達しているので、それを利用する。形態素解析と格解析のあと、英語の句構造に変換して英語 文を生成する。

W-L13.9
Direction of Arrival Estimation Using Array Model in Time-Frequency Domain
Li Qiang, Liu Yun, Chen Hang
Northwestern Polytechnical University, China
No Show。

セッションのあと、学会によるディナーがついているのだが、また南華亭酒店でバイキングだろうから、なんか食べる気力が出ない。せっかく上海に来ているの だから、金を出してもなんかおいしいものが食べたい。というわけで学会ディナーを無視して、ホテル周辺を歩く。

ガイドブックによると、ちょっと歩いたところに小籠包の店があるらしいので、そこに行ってみる。5分ほど歩いたところにそれらしい店「十味観」が。結構で かい。


ちょっと気後れしながらも中に入り、メニューを見る。

いろいろ迷った挙句、青島ビール、ワンタンスープ、名物の五色湯包(小籠包)、台湾式の大根のおやき、デザートに白玉のお汁粉を頼む。


敷いてある紙に、五色湯包のゆるキャラが印刷されている。上から、蟹、キノコ、鶏肉、野菜、ノーマル。


ワンタンスープ。思ったよりボリュームがある。

五色湯包。うまいのだが、味の違いはそれほど大きくなくて、今何食ったんだっけ？という感じ。

大根おやき。中に大根の千切りが入っていて、これも汁が飛び出す。うまい。

おしるこ。色がついているのは白玉団子。黒いタピオカみたいなのも入っている。味は普通。

ビールも飲んでいい気分。お値段は110元ほど。

ついでに買い物しようかなということで散歩。研究室の秘書さんに五香粉を買ってくる約束をしたのだが、スーパーみたいな店を見つけていないので、見つけた ら買ってみようと歩き回る。

以前も来たが、ちょっとした公園があって、奥には教会みたいな建物がある。さらに向こうでは、屋上屋を重ねた建物がライトアップされている。


徐家匯駅周辺まで歩いてくると、デパートやショッピングセンターなどがたくさんある。

ここならなんかあるかと思って入ってみるが、どれもブランドショップばかりで、食品は売ってない。港匯広場の裏にはしゃれたカフェ街があり、いかにも上海 のビジネス人たちが集まっている。


迷い込んだ徐家匯駅の地下には、パン・ケーキ屋とカフェがあって繁盛していた。


さらにあきらめずに歩いていると、上海第二食品市場という建物に遭遇。ここならあるだろう。


１階は大したものがなかったが、２階が普通のスーパー。香辛料コーナーを見つけるのに苦労したが、なんとか五香粉を確保。でもマコーミックの瓶なので、日 本でも買える気がするけど深く考えないことにしよう。五香粉だけではさびしいので、研究室用に上海名物菓子セット（たぶん味はいまいちだろう)、それから チョコレートを買う。

結構疲れたが、よぼよぼと30分ほど歩いてホテルまで。メールを読んだ後、日記をつける。10時ごろ寝る。
前の日へ　目次へ　 次の日へ