2017/08/05
朝6時起床。朝食にパンを食べる。
支度をした後、急ぎの雑用を済ませる。ふと時計を見たら8時を回っていたので、慌てて出発。
MRTのFarrer ParkからOutram Parkで乗り換えてBuona Vista。
8時55分頃会場に着く。9時開始なので急がねば・・・と思ったら、誰もいなくて会場の設営もまだ。あれ？と思ってよく考えたら、1時間時間を間違えていた。またやってしまったねえ。
仕方ないので会場横のソファで1時間ほどお休み。時間近くになって会場へ。ドリアン持ち込み禁止。
9時から開始。最初に委員長のProf. Maode Ma (Nanyang Tech U)がご挨拶。昨日の食べ放題で私の横で食ってたおじさんだ。採択率はおよそ半分とか言ってるけど本当か？今回の会議は小さい会議だが、100人ほどの参加者があるようで、特にアジア各地（インド、パキスタン、サウジアラビアなど）が多いとのこと。なお会場にいるのは50人ほど。
なお、この会議は1日開催で、午前がキーノートだけで午後は口頭発表が6並列という構成。普通なら3並列で2日開催ぐらいだよなあ。開催費用的にはその方がよいのかもしれないが。
Keynote Speech I
Prof. Mark J. T. Smith (Purdue U)
Voice Conversion and Modification
・声質変換、音声操作のアプリケーション
医療、音楽、映画、TTS、HCIなど
・この発表ではSinging enhancement and conversionについて説明する
・ソースフィルタモデルの説明。LPC、メルケプストラム、STRAIGHT, Worldなど
・正弦波モデルの説明
・AbS/OLA Sinusoidal Modelの説明。サイドローブを効率的に抑圧する周波数ピークを推定する。
・Quasi-Harmonic Structure。単なる高調波ではなく、周波数の擾乱を考慮する。
・周波数と時間スケール変換。
・デモンストレーション。PSOLA, Phase Vocoderよりも高品質だが、引き延ばしたときには非調波成分でミュージカルノイズ
・Long Term Amplitude Modeling (LTAM)。信号の声質に合わせて窓関数の長さを変化させる。
・歌声操作への応用、特にビブラート制御：ビブラート適応接続
ビブラートに合わせて波形接続を行う。通常の波形伸張だとビブラートが遅くなってしまうので、ビブラート周波数は変えずに音声の長さだけを長くする。
・スペクトル変換。第4～第5フォルマントを非対称ガウシアンによって変形する。
シンギングフォルマントを強調するようだ。
・声質変換。枠組みは通常のもの？正弦波モデルを使っているようだ。デモでは歌声変換の例が示された。
最後に「学習用音声でビブラートの位相が合っていないときに歌声変換はうまくいくのか？」という質問をしてみた。ビブラートをいったん消去してから学習するそうだ。
Keynote Speech II
Prof. Maode Ma (Nanyang Tech U)
Network Selection and Resource Allocation for Multicast Service in HetNets
1枚のスライドあたり5分ぐらいしゃべるので、何の話をしているのかわかりにくい。
・HetNetはHeterogeneous Networkのこと。スマホなどで帯域が足りないので、使えるネットワークは何でも使おうという感じ。
・マルチキャストの説明。
・ネットワークの帯域利用コストの説明。複数のベースステーションが複数の端末に接続する（可能性がある）とき、かつ各端末が複数のBSに接続する可能性があるとき、どのステーションがどの端末に接続するかでコストが決まる。コストはステーションの出力によって決まり、遠くまで接続できるようにするほどコストが高くなる。このとき、大きいステーションで広い区域をカバーするのと、小さいステーションをたくさん用意して狭い区域をカバーするのでどちらが低コストか。
・問題を2値整数計画法に定式化し、準最適アルゴリズムを提案した。
コーヒーブレイク。さっきのSmith教授とOhio大学の人と少し話をした。
Keynote Speech III
Prof. Jimmy Liu (Ningbo Inst. Materials Tech and Eng, CAS)
Digital Ocular Imaging Research
網膜などの眼球画像の処理の話。
・角膜移植の際に新たに形成された角膜の厚さなどを画像処理で測る
・水晶体の濁りを計測して手術が必要かどうか判断する
・網膜画像から病気の診断を行う
・網膜のバイオメトリクス
表記の自動スクリーニング
・AGLAIA緑内障スクリーニングシステム
・緑内障について：視神経がダメージを受けて視力が不可逆的に低下する
・診断基準：Cup to disc ratio（視神経の部分の暗い円（外側）と明るい円（内側）の直径の比）検出性能はAUC=0.98
Disc と cup のセグメンテーションの精度が重要
内容的によくわからないところも多かったが、将来的に目と脳を同時に考える研究を行っていくとのこと。
Plenary Speaker I
Prof. Yasuhiro Matsuda (Kanagawa Inst Tech)
Emotional Recognition Systems in Tactual Communication
接触コミュニケーション、特に指点字での感情認識について。
・指点字に習熟すると音声コミュニケーションに匹敵する情報が得られる。指点字にもパラ言語に相当するものがある。
・喜びの感情の場合には強くてリズミカル、悲しみの場合はゆっくり弱く、等々
・指点字の感情認識システムは、当事者ではなく健常者にコミュニケーション内容を知らせるために必要
・指点字認識システムと感情認識システムを組み合わせ、認識内容を合成音声で生成
・認識には指にとりつけた加速度センサを使う。認識手法はcanonical discriminant analysis (CDA)。特徴量は押したときの加速度と押す間隔。
・文全体の感情を識別するには、文字単位の各感情の確率の平均値を使う。
次に接触によるコミュニケーションツールについて。
・社会的距離を保ったまま直接接触に近い体験を与えるため、２つのゴムボールをパイプでつないだ道具を発明。対話する両者がボールを握ることで間接的に接触を行う。
・ボールの握り具合で感情表現→認識
・6感情の認識（驚き、喜び、怒り、寂しさ、嫌悪、怖れ）。特徴量は最大圧力（に比例する電圧）、リリース時間、握る回数。識別器は決定木（？）。
・認識率は60%ぐらいだが人間による認識率より高い。
予定よりも30分ほど超過して昼飯。
午後前半は信号・音声処理のセッションを聞く。
Session 4: Signal Analysis and Speech Processing
最初の発表者が座長だったのだが、来られないと言うことで急遽私が座長をやることに。
Automated Annotation of Seismocardiogram with Aortic Closure based Template (Kyungpook National U)
No Show.
Estimating Confident Index of Respiratory Signal using Accelermeter (FPT U Ha Noi)
呼吸のモニタリングをするためには呼吸を測ればいいのだが、そうできない時のために、胸に加速度センサをつけてその動きから呼吸を推定する。どういう信号処理をしているかは以前説明しているから省略ということでよくわからん（適応フィルタを使っているらしい）。で、この発表では、推定した波形の信頼度（本当に息をしているかどうか）を計算するらしい。信頼度計算の信号処理の説明があったのだが、なぜそうなのか不明。
TEO Separated AM-FM Components Used for Identification of Apnea EEG Signals (IIITDM Jabalpur)
脳波から睡眠時無呼吸症を診断する。脳波の波形をEMDで分析して、抽出したIMFについてAM・FM成分を抽出。そこからTEOを計算して（早くて具体的な計算はわからなかった）機械学習にかける。識別器はSVM。理由はよくわからないが従来法よりは性能がいいらしい。
Investigate Automatic Speech Recognition and Keyword Search for Very Low-Resource Language (A*STAR)
ぼそぼそした発表。言語資源の少ない言語の音声認識・キーワード検出のために多言語のボトルネック特徴量を使う。対象はバベルコーパス（広東語・パシュト語・トルコ語・タガログ語・スワヒリ語）。今時は小資源言語といっても語彙サイズ100kがスタートか。多言語BNFを使うことにより、言語依存BNFより3～4%ぐらい性能向上。半教師あり学習、active学習によりさらに性能が上がる。
Beta-masking MMSE Speech Enhancement for Speech Recognition (Inst Infocomm Research, Singapore)
βマスキングMMSEによる音声強調を音声認識用にカスタマイズ。そもそもβ-MMSEがよくわかっていないので式をフォローするのがつらい。いずれにしろ変更は微妙なようだ。
Frame Labeling and Mapping for Non-parallel Voice Conversion (Inst Infocomm Research, Singapore)
パラレルコーパスを使わない声質変換。二人の話者の発話内容（互いに内容が異なる）を音声認識してフレームごとに対応を取るようだ。各フレームに対して、DNN-HMMの各状態の対数確率が計算されるので、これをPCAで圧縮して（5000以上→12）、k-meansでクラスタリングする。これを元にして二人の発話のフレームを対応づける。
An Octave-Scale Multiband Spectral Subtraction Noise Reduction method for Speech Enhancement (Chulalongkorn U)
SSの改良。マルチバンドSSの一種。オクターブバンドごとのSNRを使ってSSのパラメータを決める。パラメータの決め方が従来のマルチバンドSSと違うようだが詳細不明。説明はわかりやすかった。
On the Extraction of Early Reflection Signals for Automatic Speech Recognition (AGH U of Sci and Tech)
残響環境下の音声強調。残響音声を初期反射音と後期残響音に分けてモデル化。ビームフォーミングによって目的音を抽出するときに、目的音だけでなくその初期反射音にもビームを向けようとする。
最後にセッションのベストプレゼンテーションを座長が決める。採点結果から、マルチバンドSSを発表したチュラロンコン大のバタチャリヤさんに決定。
ここでコーヒーブレイクだが、コーヒーブレイク会場（3階）とプレゼン会場（7階）が遠いのでコーヒーブレイクはパス。
Session 11: Machine Vision and Mechanical Engineering
Eye-tracking for just-in-time implicit user profiling (Effat U, Saudi Arabia)
サウジアラビアの大学だがしゃべってるのは中国人（なんか所属がA*STARになってるけど）。ユーザプロファイリングのために視線追跡を使う。視線について、心理学分野では性別、宗教、パーソナリティタイプ、文化、年齢などの影響があることがわかっている。そこで、性別、年齢、人種、宗教と3種類のパーソナルタイプについて、視線データからそれぞれ2クラス識別をしてみた。19種類の特徴量で、識別器はSVM。映画を見ているときの視線から実験を行った。性能は高くて75％弱、低くて60%ぐらい。
Detecting AMD Caused Vision Scotoma through Eye Movements (Inst Infocomm Research, A*STAR)
AMD（加齢黄斑変性）は目の病気。網膜が損傷を受けて、視界の真ん中が真っ暗になったりゆがんだりする症状(scotoma)が起きる。これの自動診断をする方法を開発した。Fixation Testでは、画面上の点を見つめるテストを行い、視線データをSVMにかける。データを取る方法を何種類か試した（画面上の点をどこに出すか、どの時点のデータで判断するかなど）。分類結果は70～80%程度。
3D Sound Generation Using Kinect and HRTF (National U of Sci and Tech, Pakistan)
発表者は昨日会った人だけど会場にいないのでどうしたのかと思ったら、座長が名前を呼んだ瞬間にドアから入ってきた。
3次元音響提示のためにHRTFを使うが、音響VRのためには頭が回転しても知覚的な音源が移動しないようにする必要があるので、頭の移動回転をKinectで計測する。あんまり新しくないような気がするが、Kinectと加速度センサを組み合わせるところが少し新しいのかもしれない。主観的な3次元音響の品質が上がったのかどうか聞いてみたが、そこは調べてないとのこと。
Learning Visual Odometry for Unmanned Aerial Vehicles (Inst Infocomm Research)
無人航空機(UAV)でGPSを使わずに現在位置計測をする。従来の方法では、地上を写したカメラのオプティカルフローで移動量を計測して積分する。しかし地面に平行でない移動をした場合には移動量が狂ってしまう。学習ベースの方法では、画像特徴量と現在位置を覚えておいて対応を計算する。しかし学習ベースの従来法ではロールピッチを考慮していない。そこでモデルを使って画像のオプティカルフローから機体回転による移動分を差し引いて実際の平行移動量を推定する。
Optimization of Aircraft Maintainance Routing Using Uninformed and Informed Search Algorithms (National U of Sci and Tech, Pakistan)
発表者はアリババ(Ali Babar)さん・・・のはずだがさっきの人(Muhammad Usman)が再登場。航空機は一定の時間飛行した後でメンテナンスが義務づけられているので、メンテナンスができるところまで移動する必要がある。そこでメンテナンスのために必要な移動量を最小にするための飛行機運用計画を立てる。その後広さ優先探索かダイクストラ法で最適解を探す。
IR Sensing Embedded System Development for Prototype Mobile Platform for Autonomous Convoy (Ohio U)
座長をやってるオハイオ大のBrian Riley先生。字が小さくてスライドの文字はほとんど読めない。自動運転研究のためのプラットフォーム開発。ラズパイがベースでIRセンサーを3つ備える。プログラミングはPythonベース。プラトーン走行のデモビデオを流していた。目的がよくわからなかったが、組み込みシステム学習が主目的なのかもしれない。
Iterative Learning Identification of Linear Motor Cogging Force in the Presence of Measurement Noise (Harbin Inst Tech)
Cogging forceはリニアモータで水平に働く力のことらしい。この力は位置に対して三角関数の重ね合わせで表されるので、水平力の計測値に雑音がある前提で、必要な水平力を得たいときにどのパラメータをいくつにすれば必要な力が得られるかを逆算したいということのようだ。詳細はよくわからないが、パラメータ空間にいくつか基底を作って、その重みを推定する問題に帰着しているようだ。
この後ディナー（バンケットではない）。去年の同じ会議では、昼飯と同じものが出るだけで残念な気持ちだった。みんな会場の外で待っていたが、
会場自体はあいているので中に入って座って待つ。18時ごろ食べ物が来たので、各自適当にとって食う。昼よりは少しいいものが出ているようだ。
しかしそれにしてもこれでシンガポール終了はあまりに寂しいので、取った飯を食い終わったらさっさと会場を出る。出がけに受付の女性からなんだか知らないけどお土産をもらう。お茶だそうだ。
Buona Vistaから東西線に乗ってTanjong Pagarへ。そこからチャイナタウン方向に歩き、Maxwell Food Centreというホーカーズでなんか食おうとしている。
駅を降りる。
なんか前回もTanjong Pagarからチャイナタウンまで歩いた気がしてならない。途中工事してたんじゃなかったっけか。
というわけで歩いてたら、見えてきた。
中に入ってとりあえず一周。半分以上の店は閉まっているが、それでもそこそこ賑やか。席が取りやすくていいかもしれない。
お堂があるのは中国っぽい
まずはチキンライスでしょう
店の看板にはBonelessとか書いてあるが、大きい骨がないだけで小骨は多い。お好みでかけたチリソースがなかなかマッチしてよろしい。
この後麺を行くか、それとも無理か・・・と思いながらホーカーズ内を徘徊。豆花を見つけたので食べる。小豆、蓮の実、銀杏が入った「三宝豆腐花」というやつ。優しい甘さでおいしい。
そろそろ限界が近づいてきたので、〆にになんか飲もうということでパパイヤパイナップルミルク。
パパイヤだけだと間抜けな味だが、パイナップルの酸味で全体が引き締まっておいしくなっている。なお店のディスプレイにはよくわからない謎のものが飾ってある。ゼリーかな？
さすがに腹一杯になったので、賑やかな通りを冷やかしながらふらふらとChinatown駅へ。
Chinatownから直通でFarrer Park。
ホテルに戻っていったん荷物を置いた後、ホテルのフロントで明日出発が早いことを告げる。タクシー予約を頼んだら、朝早くても向かいにタクシーがたくさんいるので大丈夫とのこと。
部屋にもう一度戻り、シャワーを浴びた後、荷物をまとめる。
きょう座長をやったときにお土産をもらったのだが、何かと思って見てみたら、羽ペンとインクだった。どうすんだこれ。書いてある文字が Magic Legend って・・・
お土産が多いので荷物がちょっと不安な中、なんとかまとめる。スカスカでも大きいスーツケースで来ればよかった・・・
明日は早いので、夜21時半頃寝る。
前の日へ 目次へ 次の日へ