2014/07/08
6時起床。天気はまあまあ。
康師傳のいまいちおいしくない焼きそばで朝食。力保健を飲んで元気を出しましょう。
シャワーを浴びて、メールの読み書きの後、７時半に出発。
途中の道では、住宅街を守る塀の上にガラス片。（高圧電線というのもあった）
そして会場へ
８時半からセッション。
08:30-10:05 Oral Session (14 papers in 2 rooms)
T-L2 Language and Speech Processing (Papers#:7)
Chairs:
Ismail Shahin, University of Sharjah
Mingzhe Zhu, Xidian University, Xi’an, China
実際にはZhuさんだけが司会。セッション開始前には「講演者がだれも来てない」と嘆いていた。
T-L2.1 Speaker Identification in Shouted Talking Environments Based on
Novel Third-Order Hidden Markov Models
Ismail Shahin
Department of Electrical and Computer Engineering University of Sharjah, Sharjah, United Arab Emirates
No Show.
T-L2.2 Hybrid Model based sentiment classification of Chinese Micro-blog
Xiao Sun, Chengcheng Li
Anhui Province Key Laboratory of Affective Computing and Advanced
Intelligent Machine, Hefei, China
School of Computer and Information, Hefei University of Technology, Hefei, China
No Show.
T-L2.3 Speaker Identification under The Changed Sound Environment
Yanyan Shan, Qi Zhu
Nanjing University of Posts and Telecommunications, Nanjing, China
鼻腔の形状は安定なので、鼻音を話者照合に使う。風邪をひいたときの声も使っているところがおもしろい。識別はMFCC+GMM(UBMなし）。発表は教科書の読み上げっぽい。プリエンファシスフィルタをいろいろ変えて性能を比較。
T-L2.4 A novel speech reconstruction algorithm for DSR back-end*
Jiang Wenbin, Ying Rendong and Liu Peilin
Shanghai Jiao Tong University, Shanghai, China
分散音声認識のフロントエンドを通った特徴量から元の音声を復元する。基本的にMFCCとF0だけを使って元の音声を推定。従来法(LSE-ISTFTM)ではMFCCを線形周波数の振幅スペクトルに戻し、有声部分は生成した音源信号で励起する。無声部分は最小位相を仮定して雑音で励起する。提案法では、有声音でも位相を推定して再合成するところが違う。誤差はちょっぴり改善。PESQは0.1〜0.2ぐらい改善。
T-L2.5 Bandwidth Extension of Narrowband Speech Based on Hidden Markov Model
Zhang Yong, Liu Yi
Peking University ShenZhen Research Institute, ShenZhen, China
HMMを使った帯域拡張。入力音声をLPC分析し、LSFを特徴量とするHMM(256状態）を使って広帯域のLSFコードブック系列を予測する。また、全体のエネルギーを補正する。PESQで3.5から3.8に改善。デモでは結構いい音質だった。
T-L2.6 Research on the Vowel Pattern of the Amdo Tibetan’s Xiahe Dialect
Lv Shiliang, Jin Yasheng and Ma Ning
Northwest University for Nationalities, Lanzhou, China
No Show.
T-L2.7 A S-transform Based Spectrum Enhancement Method for Complex
Noise Environment
Mingzhe Zhu, Zhenhua Jiang, Xinliang Zhang and Yue Qi
Xidian University, Xi’an, China
音声強調とレーダー信号の改善は同じ問題だという話。S-transformはガウス窓を使った窓フーリエ変換と同じみたいだ。L-DFTはそれをちょっと変形したものらしいが、インパルス雑音が入ったときにそれ以外の信号が消えにくい性質があるとのこと。信号＋白色雑音＋インパルス雑音のような時に頑健とのことだが、インパルス的な信号と白色雑音的信号を最初から抑圧するような特性になっているらしい。使いどころが限られそう。
この後飛び入りで一件発表が入る。ほかの日の発表が入ったのかと思ったけど違うようだ。何だろう。
球形マイクロホンアレイによるAcoustic imagingの超解像の話。球形アレイで録音した音から球面調和展開係数を求め、それを複数の平面波（辞書）に分解して、そこから音源を推定・可視化する。このとき、分解に最小二乗基準を使うと画像がぼけてしまうので、正則化によるスパース分解を使う。推定音源の強さがどれだけ広がるか（angular spread)を評価。
10:05-10:25 Coffee Break
10:05-10:25 Poster Session (13 papers)
相変わらずやる気がないが、おもしろそうなポスターだけチェック。
T-P1.10 Research Of The Breathing Characteristics When Reading Short Song-poems
Xuechen Yin, Hongzhi Yu
Northwest University for Nationalities, Lanzhou, China
詩の朗読をしているときの吸気によるポーズ(Breath reset)の分析。長さによって3段階に分けられるそうだが、詩でない通常の朗読（先行研究）と似たような結論。
T-P1.11 Modeling Pause Duration for Malayalam Language TTS
Jesin James, Deepa P Gopinath
College of Engineering,
Trivandrum, India
マラヤラム語の音声合成のためのポーズ長推定。アルゴリズムはCART。コンテキスとを単語の後、文の後、段落の後など割と簡単に分けているだけ。
次はハフィヤンの発表があるセッション。
10:25-12:00 Oral Session (14 papers in 2 rooms)
T-L3 Language and Speech Processing (Papers#:7)
Chairs:
Chenchen Ding, University of Tsukuba, Tsukuba, Japan
Chang Liu, University of Texas at Austin, USA
このセッションはNo Showが少ないので、１件10分でしゃべれという無理ゲー。
T-L3.1 To Filter Discontinuous Word Alignment for Statistical Machine Translation
Chenchen Ding and Mikio Yamamoto
University of Tsukuba, Tennodai, Tsukuba, Japan
統計機械翻訳の学習コーパスのための文選択。単語ベースのアラインメントにおいて、1つの単語が間の空いた2つ以上の単語に対応するパターンを発見して、エラーとして除外する。うまくやった場合はBLEUで0.4ぐらい改善。
T-L3.2 Categorical tone identification in speech and non-speech sounds for Chinese- and English-native listeners
Chang Liu
University of Texas at Austin, USA
中国語と英語話者（大人・子供）が音調をどう知覚するかを調べた。大人では１・２声と１・４声の2クラス識別、大人では１・３・４の３クラス識別実験を行った。子供中国語話者による音調知覚はカテゴリ的だが、子供英語話者はまったく識別ができない。大人の場合、中国語話者も英語話者も識別ができるが、カテゴリ境界は中国語話者の方が急峻。
T-L3.3 Speech Enhancement Based on Combination of Wiener Filter and Subspace Filter
Xia Yousheng, Huang Jianwen
Fuzhou University, Fuzhou, China
マルチチャネル音声強調。ウィーナフィルタと部分空間フィルタの間みたいな方法らしいが、式が一瞬出ただけで説明はいっさい無いという潔さ。
T-L3.4 An Improved ANN Method Based on Clustering Optimization for Voice Conversion
Chen Xiantong, Zhang Linghua
College of Telecommunications & Information Engineering Nanjing
University of Posts and Telecommunications, Nanjing, China
声質変換。変換元と変換先のSTRAIGHTスペクトルの変換関数をRBFによるニューラルネット（3層）で構成。中間層のRBFの初期値をk-meansで推定。k-meansの結果を改善してから使うようなのだが、時間がなくてそのスライドは2秒ぐらいで通過。
T-L3.5 Improving Windows Tasks Recognizer for Assamese using Bigram Analysis
Diganta Baishya, Pradip K. Das
Department of Computer Science & Engineering, Indian Institute of
Technology Guwahati, Assam, India
時間がないのにのどかに所属機関の紹介からスタート。アッサム語の音声認識のため、アッサム語頻出10000語のバイグラム分析により音韻構造を調べた。その結果、頻出する音韻連接を単独の音素として登録する。認識対象は数字＋ちょっと。クリーン音声ではすでに性能が十分高いのであまり効果はなく、雑音環境下では向上する。また、それをWindows操作に応用。
T-L3.6 A Study on the Effect of Speech Rate on Perception of Spoken Easy Japanese Using Speech Synthesis
Hafiyan Prafianto1, Takashi Nose1, Yuya Chiba1, Akinori Ito1, Kazuyuki Sato2
1Graduate School of Engineering,Tohoku University, Sendai, Japan
2Faculty of Literature, Hirosaki University, Hirosaki, Japan
うちのハフィヤン君が急いで発表。「やさしい日本語」の外国人による聞き取りの良さが話速によってどう変化するかを調べた。簡単な文は話速が遅くなることで聞き取りが向上するが、難しい文の理解は話速によらない。時間がなくて発表が大変そうだった。
T-L3.7 Speech Emotion Recognition Based on Dynamic Models
Guoyun Lv1, Shuixian Hu2, Xipan Lu1
1Northwestern Polytechnical University, Xi’an, China
2Chinese Aeronautical Radio Electronics Research Institute, Shanghai, China
No Show.
ここで11:45ぐらいなのだが、ランチのためにホテル前からバスが出るので急げという。まだセッションの時間なんだけど。そこでホテル前まで出てみると、もうバスが出た後だという。今日のランチの店もそれほどは遠くないと言うので、歩いていく。
暑い中10分ほど歩いて、地下鉄駅の近くの店へ。何でホテルでやらないのか。
12:00-13:30 Lunch
というわけでランチ（というにはやや重い）。
こちらは激辛の何か。後で隣の中国人に聞いたら蛙だそうだ。
おなじみ麻婆豆腐。辛い
会場に戻る途中、電池を買いたくて途中の超市に入ってみた。小学校低学年ぐらいの子供が二人で店番をしている。残念ながら電池はなかった。
会場に戻って、午後前半はビッグデータのセッションを聴く。
13:30-15:20 Oral Session (16 papers in 2 rooms)
T-L6 Big Data and Cloud Processing (Papers#:8)
Chairs:
Wanlong Sun, Harbin Institute of Technology
Yu Zhao, The Third Research Institute of Ministry of Public Security, Shanghai, China
T-L6.1 A novel particle filtering algorithm for the noncooperative target tracking in General Aviation
Li Liang-qun, Hou Chao, Zeng Guo-liang
Shenzhen University
No Show.
T-L6.2 Wavelet Transform for Spectrum Sensing in Cognitive Radio
Networks
Yu Zhao1, Yuanyuan Wu1, Jian Wang1, 2, 3, Xuexia Zhong1, Lin Mei1
1The Third Research Institute of Ministry of Public Security, Shanghai, China
2Shanghai Jiao Tong University, Shanghai, China
3Chenrui Information Technology Company, Shanghai, China
No Show.
T-L6.3 Microblog-Oriented Backbone Nodes Identification in Public Opinion Diffusion
Wanlong Sun, Dequan Zheng, Xinchen Hu, Tiejun Zhao
Harbin Institute of Technology, Harbin, China
No Show.
T-L6.4 Task scheduling of cloud computing based on Improved CHC
algorithm
Liping Zhang ,Weiqin Tong ,Shengpeng Lu
School of Computer Engineering and Science, Shanghai University,
Shanghai, China
No Show.
T-L6.5 Optimal aggregation platform mechanism for mobile App auction
Lei Wang, Zhide Chen
Fujian Normal University, Fuzhou, China
話のつかみがPlants vs. Zombieというゲームなのだが、知らない。ゲームなどのモバイルアプリの広告を出稿したときに、その広告料にあわせてどのように最適に広告を配信するか。広告主と広告プラットフォームに制約をおいて（1つの広告主が1つのプラットフォームに2つ以上広告を出さない、等）、各プラットフォームのクリック率とfilling rate (?)を定義して、問題を最適化問題として定式化する。
T-L6.6 Detecting Overlapping Community Structure of Complex Networks in Nature and Society
Shimin Miao1,2, Wanggen Wan1,2, Xiaoqing Yu1,2, Etienne Thuillier3
1School of Communication and Information Engineering, Shanghai
University, Shanghai, China
2Institute of Smart City, Shanghai University, Shanghai, China
3University of Technology of Belfort-Montbeliard, Belfort, France
グラフ構造で表現された複雑ネットワークの中から、互いに比較的密に結合された集団（コミュニティ）を検出する。今回はコミュニティに重なりがあるケース。基本になるのはGNアルゴリズム（グラフの「モジュラリティ」を定義して、モジュラリティが上がるようにコミュニティ間のエッジを削除していく）。それにしてもこの分野ではマルコフ停留確率のことをそのままPageRankと呼ぶんだな。肝心の今回オリジナルなところがよくわからなかった。テスト用にKarate NetworkとDolphin Networkいうのを使用。結果の良さをなにで評価するのかわからない。
T-L6.7 Explore Hot Spots of City Based on DBSCAN Algorithm
Xiaoqing Yu1,2, Yupu Ding1,2, Wanggen Wan1,2, Etienne Thuillier3
12Shanghai University, Shanghai, China
3University of Technology of Belfort-Montbeliar, Belfort, France
都市内のホットスポットをDBSCANアルゴリズムでクラスタリングというのだが、何のためにこういうことをするのか不明。条件によってクラスタサイズがどう変化するかを分析していた。質疑の時間にフロアの先生方による「クラスタリングとは何ぞや」という講義が始まる（専門家が居るからね）。途中から中国語による質疑に。
T-L6.8
Visualization Research of the Tweet Diffusion in the Microblog
Network
Jing Lu1,2, Xiaoqing Yu1, Wanggen Wan1
1Shanghai University, Shanghai, China
2Shanghai University of Electric Power, Shanghai, China
No Show.
15:20-15:40 Coffee Break
15:40-17:30 Oral Session (16 papers in 2 rooms)
T-L8 Audio and Music Processing (Papers#:8)
Chairs:
Masahito Okamoto, Tohoku University, Sendai, Japan
Chunta Chen,Department of Computer Science, National Tsing Hua University, Hsinchu, Taiwan
なぜか岡本君がセッションチェアに（笑）。この会議いつもこうだよなー。名札が岡本であるところの長野君が座長。都合により２０分早くスタート。
T-L8.1 A Shifted Alignment Algorithm for Query by Tapping
Chunta Chen, Jyh-Shing Roger Jang
Department of Computer Science, National Tsing Hua University,
Hsinchu, Taiwan
No Show.
T-L8.2 Comparison of Two Tonality Estimation Methods Used in a
Psychoacoustic Model
Hao Chen, Armin Taghipour, Bernd Edler
International Audio Laboratories Erlangen, Erlangen, Germany
オーディオ符号化の心理音響モデル。窓長を決めたりマスキングを計算するためにtonalityの推定が必要だが、音声や複雑な信号の場合は難しい。心理音響モデルでは、spreading関数を模擬するIIRフィルタバンクを利用する。Tonalityの評価値として、PSFM(Partial Spectrum Flatness Measure)とAFM(Amplitude Moduration Ratio)を比較。ハープシコードや管楽器のような調波構造がはっきりした音の場合はPSFMの方がよく、音声やオーケストラの場合はAFMの方がよい。
T-L8.3 Subjective Evaluation of Packet Loss Recovery Techniques for Voice over IP
Masahito Okamoto, Takashi Nose, Akinori Ito, Takeshi Nagano
Tohoku University, Sendai, Japan
長野君が発表。岡本君がやっていたVoIPパケットロス隠蔽の主観評価。パケットロス率30%のときの音声品質（音質と遅延）を主観評価。
T-L8.4 Bidirectional Weight Graph Transformation Matching Algorithm
Song Wang, Xin Guo, Xiaomin Mu, Lin Qi
Zhengzhou University, Zhengzhou, China
画像モザイキングで特徴点を対応づけるときに誤対応によるoutlierが問題。そこで画像内の特徴点を接続してグラフを作り、resistrationをグラフ対応問題として解く。詳細はよくわからなかった。
T-L8.5 The Design of Ambisonics Decoders for Irregular Speaker Array Conforming to Subjective Perception
Rong Zhu, Changchun Bao, Maoshen Jia, Bing Bu
Beijing University of Technology, Beijing, China
水平面だけのAmbisonicsエンコーダ・デコーダ。途中で式が追えなくなったが、再生音の方向知覚が目標にあうようにデコーダの係数をGAで最適化する話のようだ。周波数帯域によって目的関数のレンジが違うので適応度を計算するときに周波数帯域ごとに目的関数を正規化する。システム後方での音が改善。
T-L8.6 Very Short Feature Vector for Music Genre Classiciation Based on Distance Metric Learning
Dalwon Jang and SeiJin Jang
Korea Electronics Technology Institute, Korea
飛行機の都合でこの発表が最初。音楽ジャンル分類では通常はたくさんの特徴量をつなげた長い特徴ベクトル（数百次元）が使われるが、軽いアプリケーション向けに短い特徴ベクトルを検討。「本当はそんなに特徴ベクトルが短くないといけないアプリなんてないんですけどね」ってぶっちゃけすぎだろう。元になるのはMFCC, DFB(Decorrelated filter bank), OSC (Octave Spectral Contrast)。重み付き距離の重みに当たる正定値行列を学習で決める(Distance metric learning)。Maximum Corrupse Metric Learning(KL divergenceを保存するように行列を決める）とLow dimensional projectionを利用。データはGTZANとISMIR2004。識別器はk-NNとSVM(linear)。PCAとLDAとの比較。MCMLでは100次元を5次元ぐらいまでにしても性能が落ちない。
T-L8.7 An Audio Feature Extraction Scheme based on Spectral
Decomposition
Xueyuan Zhang, Zhuosheng Su, Pei Lin, Qianhua He, Jichen Yang
South China University of Technology, Guangzhou, China
さっきの昼飯で隣だった人。一般音の認識。ガウス包絡を持つ正弦波による基底をたくさん用意し、matching persuitの手法で基底を選ぶ。識別はGMM。スペクトルやMFCCよりもよい性能。
T-L8.8 Scalable Audio Coding Based on Spatial Perception in Audio
Surveillance
Hui Liu, Li Gao
Wuhan Donghu University, Wuhan, China Wuhan University, Wuhan, China
No Show.
これで今日のセッションはおしまい。まだだいぶ明るいので、この後どこか観光に行こうかと思ったのだが、ハフィヤン君が疲れたというのでホテルに戻って休むことに。ラマダンなので昼間はなにも食べてないし、無理もない。
ホテルに戻り、１時間ほどメールの読み書き。
その後、何か食べようかと一人で外に出る。
せっかくなので行ったことがないエリアに行こうということで、会場と直角の方向に歩いてみた。そこで５分ほど歩くと、大きなショッピングセンターがあった。こんな近くにあるのなら、もっと前から使ってればよかった。
ということで探検してみる。表の広場にはお子さま向けのものものが。
１階にはファストフードとちょっとした店、割と大きなスーパーが入っている。
タッパーの店があった。
２階・３階は子供のものがメイン。子供服やおもちゃ、子供の習い事教室（文化系が多い）があった。
４階はレストラン街で焼肉屋などもある。
レストランで食べてもいいんだけど一人だと入りにくいので、１階のファストフードに入ることにした。どこに入ろうか迷ったが、「ライスバーガー専門店」の文字に引かれて「楽Lofree」という店へ。
しかしレジカウンターにいって目の前のメニューを見るとどれがライスバーガーなのかわからん。カウンター上のメニューには見えているのでそれを言えばいいのだが、発音がわからない。
これは困ったので、手元のメニューから適当に食事っぽいものをセットで頼む。飲み物はアイスティー、サイドメニューが油条とコーヒーゼリー。アイスティーはそれなりに冷えているが氷は入ってない。
ほんでもって出てきたのがこれだ。チーズをハムで挟み、その周りに薄切りの豚肉を巻いてカツにして揚げて粉チーズをふったもの。結構いけるが、熱くて食べにくい。
ということでのんびり食事。アイスティーが結構多かった。
食べた後、中のスーパーでおみやげと明日の朝食を調達。
１階が生鮮食品、地下がそれ以外なのだが、それ以外が結構多い。生鮮でない食品（お菓子、乾物、麺、酒、缶詰など）だけでなく、服や敷物、掃除用品や食器、調理器具、電気製品、果ては自転車やバイクも売っている。ちなみに電動バイクは（日本円で）５万円ぐらいから。
おみやげになにを買うかさんざん迷い、ピーナツ菓子（怪味）、中華ぷっちょ（普超、プーチャオ）を買う。怪味って何だよ。プーチャオは本物のUHA中国法人のお菓子なのできっと中身は普通のぷっちょだろう。
それから朝のカップめんで、康師傳はもう飽きて日清は買ったら負けなのでそれ以外を探す。農心はあったけどそれではなあ。ということで探した結果、今麦郎というメーカーの「上品鹵蛋牛肉面」というのを買ってみた。味がどうかは明日のお楽しみ。
ホテルに戻り、金曜日の授業のスライドづくり。２３時半頃寝る。
前の日へ 目次へ 次の日へ