2014/07/07
6時起床。頭がぼんやりして、調子は今一つ。外はもやもやしている。
ともかく朝食。昨日買っておいたカップめんと紅牛。
メールの読み書きなどをして、7:30に出発。
会場はここから歩いて20分ぐらいだと踏んでいたが、実際には30分近くかかった。途中には上海馬戯場（サーカス）がある。
その向こうにそびえる高層住宅。
会場はMariott Shanghai Parkview。高級ホテルだ。
会場に着いて、受付。受付で「発表番号を言え」と言われて「は？」という状態。登録は発表番号で管理しているらしく、私の分の登録は第一著者の戸塚さんの名前になっていた。まあいいか。
8:30 からオープニング。
08:45-09:15 Keynote Speech:1
Machine Learning Strategies for Big Data Utilization: Assembling via Statistical Soft Label
Yasuo Matsuyama, Department of Computer Science and Engineering, Waseda University, Japan
早稲田大学の松山先生によるビッグデータと機械学習についてのチュートリアル。紹介者の誰もMatsuyamaとYasuoを正確に発音できない。全体として、さまざまな事例をきちんとした説明なしに列挙していてわかりにくかった。
・教師あり学習、教師なし学習とVQ、EMアルゴリズムとα-EMアルゴリズム。ICA。
・非構造データの扱い。類似度の計測。Levenshtein距離とM-距離。類似ビデオ検索。
・ビッグデータとGUI（ビッグデータの可視化の話？）。
・脳計測によるセキュリティ。
・クラウドソーシングを利用したコミッティ認識。ゲームを使ったタンパク質3D構造決定。
09:15-9:45 Keynote Speech:2
Image and Video Analyses for Fishery Applications
Jenq-Neng Hwang, Department of Electrical Engineering, the University of Washington, USA
ビデオ解析の漁業応用。水産資源調査では通常トローリング調査が行われるが、捕獲すると魚が生きた状態での調査ができないので、水中カメラによるビデオ解析を使った調査(Cam-Trawl)が行われる。ビデオから魚の種類・数・サイズなどを推定する。4Mpixel、5fpsのステレオカメラが使われる。問題点は、不安定な照明・低コントラスト・雑音・フレーム内外への魚の出入りなど。
魚のトラッキングとサイズ計測。3D計測によって複数の魚を同時にトラッキングする。サイズ計測では、2つの閾値によって複数のサイズ計測結果を出してそれらを平均する。また、2つの閾値で切り出した魚のサイズのヒストグラムの頻度比から背景雑音かどうかを識別する。
複数の特徴を使ったマッチング。Viterbiアルゴリズムによるデータの対応付け。
魚種認識。体の各部分の特徴と全体特徴（アスペクト比など）を組み合わせて認識を行う。識別はノードにSVMを使う決定木。Multiclass SVMやRandom forestを大きく越える識別精度。
特徴の自動発見。Scale-invariant object part learning (SIOPL)。自動抽出された特徴によって99%以上の精度が得られ、水産学者の知見による特徴量を越える。
収穫後のコンベヤーベルト上の画像からの魚種判定と計数。
9:45-9:50
Industrial Application of Big Data in Image and Audio Processing
Beijing Datatang Technology Co., Ltd, Beijing, China
Datatang(Data堂)の宣伝。今回の会議のスポンサーらしい。ビッグデータ集積・活用プラットフォームで90%のデータはフリー。音声認識、話者認識、顔認識、ナンバープレート認識などのデータ、Geographic/Finance/Traffic/Health care/Energyなどの各種ビッグデータ。
9:50-10:10 Coffee Break
10:10-10:40 Keynote Speech:3
Affect Analysis: Challenges and Perspectives for Audio, Language and Image Processing
J. Alfredo Sanchez, Department of Computing, Electronics and Mechatronic, Universidad delas Americas Puebla, Mexico
感情処理。さまざまな人間の情報処理における感情の役割。さまざまなアプリケーション（教育、健康、ゲーム、安全、セキュリティ、ユーザスタでぃ、E-commerceなど）。
Emotion, mood, sentimentの定義。Emotionは「反応」でmoodは「心の状態」、sentimentは「態度・意見」。
感情処理の様々な側面。認識、生成、伝達(mediation)。
感情処理における Audio. Language & Image Processingの役割。視覚、音声、キーストローク、ナビゲーションパターン、視線トラッキングなどによる感情認識。NIRSや脳波による感情知覚の研究。感情研究のための様々な生体センサ。
感情認識のための画像処理。アクションユニットの組み合わせによる顔画像からの感情認識。姿勢と動きの認識とジェスチャの認識。MPEG-4では86の顔アニメーションパターンと196の身体アニメーションパターンを定めている。
利用できるツール。FaceReader, SHORE, eMotion, RealEyesなど。
様々な課題。Prototypicalな感情とそうでない感情、単一感情と複合的感情、被験者による違い、顔や体の一部が隠れている場合、顔と体の動きのトラッキング、照明条件など。これらをどう組み合わせるか。
アプリケーションとの統合。既存のアプリケーションに感情を統合して拡張するのは単純ではない。統合のためのフレームワークの開発。例としてKinectを使った感情検出、Androidによる感情モニタなど。
言語処理。NLPによるsentimentの分析。ワールドカップ中のツイートを使ったsentiment分析例。
感情生成。コンピュータが感情を適切に表出できれば役に立つ。顔画像生成、ジェスチャ生成。FACSシステム。感情付きアバタ。
感情伝達。今後の課題として、音声・画像の品質と伝達の関係の解明、視線との関係、3D modelなど。低データレートでの感情の伝達。
Pepperの話題。感情処理がメインストリームになるか？
10:40-11:10 Keynote Speech:4
Beyond Stereoscopic: Multiview Video Processing
Kwanghoon Sohn, School of Electrical and Electronic Engineering, Yonsei University, Korea
3DTVの業界トレンド。
人間の3次元知覚とコンピュータによる3D処理。どうやってコンピュータによって2D→3D変換を行うか。
3Dの基本技術。両眼視差と深度。ステレオマッチング問題。ステレオマッチング問題の難しさ。
Middlebury test（3Dアルゴリズムのベンチマークサイト）。そこでの比較からわかることは、Globalな方法はlocalな方法に勝るということ。上位のアルゴリズムはすべてグローバルな制約を使う。
マルチビューカメラ。従来法では、深度イメージに基づいて3D画像をレンダリングする(DIBR)。これに対して、2画像の対応を確率的に拡張することで確率に基づくレンダリング(PBR)ができる。深度エラーに頑健であり、オクルージョンにも強い。
データに基づく2D→3D変換。既存のRGBD画像データベースに対して、新しいRGB画像と似た画像があれば、与えられた画像の深度はデータベース中の画像と似るだろうという仮定に基づく。サムスンとの共同研究。
Saliencyに基づくRealistic 3D表現。
Retargeting。3Dビデオでの画像のリサイズ。
11:10-11:40 Keynote Speech:5
How Multimedia is Creating the Need for Software-Defined Systems and a New Breed of Processor
Manuel Uhm, Coherent Logix, Inc., San Jose, California,USA
本人は飛行機の問題でこられなかったので代読。代読の割にはきちんとプレゼンしていた。
最近はマルチメディア関連の発展が著しいが、これをASICで実現すると2年かかり、SoCやASSPでは制約があるので、すべてをソフトウェアで定義したプロセッサを使いたい。
CでプログラミングできるプロセッサHyperXとRFチップrfXの組み合わせでマルチメディア処理を実現する。
Software defined systemとは、ソフトウェアだけで無線とマルチメディア処理を実現するシステム。信号処理を完全に仮想化できる。
全体システムイメージ。画像のエンコード・デコード、無線通信、クラウドでのストレージやネットワーキングなどがすべてソフトウェアで制御される。
HyperXは100個のコアを1チップに収めたプロセッサ(25mW/core)。
NAB'13 (National Association of Broadcasters)でのデモの話。映像のエンコード、トランスコード、LTEの送受信とスマートフォンでの受信までをすべてHyperXベースのSDSで実現。
この後、場所を移して昼食。同じホテルの中で食えばいいのにと思ったが、全員で道を渡り、向かいにある大寧公園の中にあるレストランへ。
横断歩道は青の区間が短くて列がとぎれる。
公園の中へ。
途中には寂れた遊具。いい味だしている。
5分ちょっと歩いてレストラン「潮府」へ。
中は丸テーブル。適当に座ったが、隣は湖北大学でCGの研究をしている先生だった。
昼飯だけど早餐メニューらしい。点心がメイン。
こちらは春巻きをさらに皮で包んだもの（龍鳳大春巻）。外はにゅるっと、中はさくっとしている。
向かいの人に写真を撮ってもらった。
食べ終わって会場に戻る。午後からの会場はぎっちり詰めて30席しかないのだが、参加者がこないと踏んでいるのだろうか？
13:30-15:20 Oral Session (24 papers in 3 rooms)
M-L1 Audio and Music Processing (Papers#:8)
Chairs:
Etienne Gaudrain, University of Groningen
Chung-Che Wang, National Tsing Hua Univ.
M-L1.1 A novel time-frequency feature extraction for movie audio signals classification
Jichen Yang , Qianhua He,Min Cai,Yanxiong Li
South China University of Technology, Guangzhou, China
新しい時間周波数分析の提案。OMPで信号を分解するというのだが、OMPってなんだっけ。その上で信号をWiener-Ville distributionで表現し、SVDで圧縮（詳細不明）。さらにそれをK-meansでクラスタリングする。クラス数を変えて識別実験した。識別器はGMM。なんだかよくわからない。受け答えも要領を得なかった。
M-L1.2 Speeding Up Audio Fingerprinting over GPUs
Chung-Che Wang1, Jyh-Shing Roger Jang2, and Wenshan Liou3
1National Tsing Hua Univ Hsinchu, Taiwan
2National Taiwan Univ Taipei, Taiwan
3Smart Network System Institute III, Taipei, Taiwan
Audio fingerprintの照合のところをGPUで高速化。ハッシュキーを単位にデータベース照合をするのだが、ハッシュ照合をどういう単位で並列化するのがよいかを検討。1スレッド１ハッシュ照合よりも1ブロック1ハッシュ照合の方が高速。デモは http://mirlab.org/demo/audioFingerprinting で。
M-L1.3 Subjective Evaluation on the Timbre of Horizontal Ambisonics Reproduction
Liu Yang, Xie Bosun
South China University of Technology, Guangzhou, China
水平面上のAmbisonics（1次と3次）による音場生成で音色がどのように変わるか主観評価。聴取は直接ではなく、ダミーヘッドで録ったものをバイノーラル再生。また、聴覚モデルによる分析を行った。次数が上がるほど知覚スペクトルが実物に近づく。
M-L1.4 An Intrinsic Mode Function Basis Dictionary For Auditory Signal Processing
Chang Gao, Haifeng li, Lin Ma
Harbin Institute of Technology, Harbin, China
No Show.
M-L1.5 Suitability of Speech Quality Evaluation Measures in Speech Enhancement
Zhang Jie, Xiaoqun Zhao, Jingyun Xu, Zhang Yang
Tongji University, Shanghai, China
No Show.
M-L1.6 DCT based Algorithm on Dimension Reduction of Residual Frequency Magnitude Parameters
Jingyun Xu,Xiaoqun Zhao,Rongyun Li,Qiao Wang
Tongji University, Shanghai, China
No Show.
M-L1.7 Measure and model of vocal-tract length discrimination in cochlear implants
Etienne Gaudrain, Lucas Stam, Deniz Ba.kent
University of Groningen,Groningen, The Netherlands
人工内耳をつけた患者の聴覚では、複数の音声が重なった場合（特に男性と女性の声）それらを分けて聴くのが難しい。そこで、人工内耳装着者による声道長（による音声の変化）およびF0をどのように知覚しているかを調べた。健常者のVTL知覚のJNDは1.5半音ぐらいだが、人工内耳の場合には5〜6半音であった。また、健常者の聴覚モデルから、それと同じ性能になる人工内耳の特性を調べた。
M-L1.8 Relative Distance Estimation in Multi-channel Spatial Audio Signal
Zhengyang Sun, Changchun Bao, Maoshen Jia, Bing Bu
Beijing University of Technology, Beijing, China
2つの音のうちどちらが遠いか（Relative distance）の推定。複数チャネルでの測定をICA(FastICA)で複数の成分に分けて、それぞれ直接成分と拡散成分に分けて比を出す。3Dオーディオ(Ambisonics)のコーディングに結果を使っているようなのだが、推定結果とどう関係するのかよくわからない。
時間より20分ほど早く終了。
15:20-15:40 Coffee Break
15:20-15:40 Poster Session (15 papers)
この会議のポスターセッションは相変わらずやる気がない。
午後後半は画像処理のセッションしかないので、短時間だけど市内観光へ。18時からバンケットなので、それまでは戻らないといけない。
地下鉄の上海馬戯場駅から人民広場駅まで。
人民広場駅からは南京東路より少し外れたところに出るので、そこまで歩く。
南京東路は歩行者天国。観光用の小型バスが容赦なく走っている。
歩いている間、おばさんがしきりに寄ってきては「マッサジ、マッサジ」と呼びかけてくる。おじさんはもっと露骨。
そこから川の方に歩く。歩行者天国を過ぎてもすごい人。
そして外灘
一通り見て、タクシーを拾って会場に戻る。バンケット開始の時間よりは早かったが、セッションはあらかた終わったようだった。何となく移動する参加者の後について何となく歩く。案内は特になし。
結局、昼と同じレストラン。
適当に座る。
最初に、General Chairによるご挨拶。
上海大学の学生による伝統楽器演奏。
歌もある。
弦楽四重奏。
食べ物の方もどんどんくる。珍しく最初からビールがある
魚の揚げ物のあんかけ。
なんかわからないもの（たぶん鶏）の煮込み。激辛
肉＆肉
微妙な味の酸辣湯
さんざん食べて順次解散。講演には人工の木。
公園ではLED付き凧をあげていた。
ホテルに帰る途中にちょっとにぎやかなエリアを通る。和民がある
とちゅうの超市で明日の朝食のカップ麺と力保健（リポビタン）を買ったりしつつ、20時過ぎにホテル着。金曜の講義スライドなどを作り、２２時過ぎに寝る。
前の日へ 目次へ 次の日へ