4月22日（水）

朝5時半頃起床。日本時間では6時半なので、ゆっくりだ。

外は小雨。ちょっと残念な感じ。とりあえずメールを読んで、今日のプログラムをチェック。7時頃シャワーを浴びて出発。

今回のホテルは朝食付きなのだが、ホテルの中に食べるところはなく、近くの喫茶店「丹堤珈琲(Dante Coffee)」のクーポンをもらっている。というわけで、それらしきところに歩いていくが、店が見つからない。ちょっと名前が違うけどここかなあ、という店(Latte Coffee)に入ってクーポンを見せてみたら、ここじゃないという。もう一度外に出て、今きたところをもう一回探したら、さっき見逃していたところに丹堤珈琲を発見。

中に入って、ツナサンドとコーヒーを頼む。コーヒーは大盛り。

8時頃店を出て、台北駅へ。

地下街から地下鉄の台北駅に行き、小銭の用意が面倒なので500元でICカードを買う。

そこから10分ぐらいの国父紀念館駅で降りて、さらに10分ぐらい歩く。国際会議場の入り口がどこかわからなくて、ちょっと迷った。

受付をすませて一式をもらう。今回のバッグは縦型のショルダーバッグで、なかなかかっこいいのだが、あまり物が入らない。面白いのがプロシーディングス。今回のおみやげの一つに「ボールペン兼USBメモリ兼レーザーポインタ」がついていたのだが、そのUSBメモリの中にプロシーディングスが入っている。 IIHMSP2006の時もボールペン兼レーザーポインタ兼指し棒がついてきたが、USBメモリが入っているところが今風か。

時間的にコーヒーブレイクなので、プログラムを見ながら次にどこのセッションを聞くか考える。New Methods for Speech Recognition と Content-based Audio Processingのどちらを聞くか迷ったが、Audio Processingの方を聞くことにする。

AE-L3: Content-Based Audio Processing

AE-L3.1: INTERPOLATING HIDDEN MARKOV MODEL AND ITS APPLICATION TO AUTOMATIC INSTRUMENT RECOGNITION
         Tuomas Virtanen; Tampere University of Technology
         Toni Heittola; Tampere University of Technology
HMMは離散的だが、自然界の信号は連続的であり、ゆっくり変化する。これに対応するため、HMMの補間を行う。複数の状態のパラメータを線形補間して "auxiliary state"を作る。応用として楽器音認識を行い、HMMより少ない状態数で少し高い性能。

AE-L3.2: ROBUST MODELING OF MUSICAL CHORD SEQUENCES USING PROBABILISTIC N-GRAMS
         Ricardo Scholz; Institut de Recherche en Informatique et Systemes Aleatoires
         Emmanuel Vincent; Institut de Recherche en Informatique et Systemes Aleatoires
         Frederic Bimbot; Institut de Recherche en Informatique et Systemes Aleatoires
昔MultigramをやっていたFrederic Bimbotが発表。n-gramを使ったコード進行のモデル化。平滑化には底上げと線形結合を使用。テストの対象はビートルズのみ。2～5gramを利用。評価はエントロピー。調性を正規化した方がエントロピーが低い。当然だね。

AE-L3.3: CULTURAL STYLE BASED MUSIC CLASSIFICATION OF AUDIO SIGNALS
         Yuxiang Liu; Tsinghua University
         Qiaoliang Xiang; National University of Singapore
         Ye Wang; National University of Singapore
         Lianhong Cai; Tsinghua University
いわゆるワールドミュージックの中を細分化したジャンル認識。音響信号から、音楽をWestern, Japanese, Chinese, Indian, Arabic, African に分類。各種音響特徴と、Wavelet、クロマベクタなどを使う。識別はSVMなど。特徴量としては音色が重要。Indian, Arabic, African の識別が難しい。最高識別率は86.5%。

AE-L3.4: DCT BASED MULTIPLE HASHING TECHNIQUE FOR ROBUST AUDIO FINGERPRINTING
         Yu Liu; Seoul National University
         Kiho Cho; Seoul National University
         Hwan Sik Yun; Seoul National University
         Jong Won Shin; Seoul National University
         Nam Soo Kim; Seoul National University
オーディオ信号のフィンガープリントの計算法。FFTで周波数分析をした後、サブバンドごとのパワーを求め、各サブバンドの時間方向でさらにDCTを計算する（従来法は各フレームでの処理で、DCTはない）。DCTを計算したブロックを単位として検索を行う。雑音が載った信号の検索に特に有効。

AE-L3.5: A DIMENSIONAL APPROACH TO EMOTION RECOGNITION OF SPEECH FROM MOVIES
         Theodoros Giannakopoulos; University of Athens
         Aggelos Pikrakis; University of Piraeus
         Sergios Theodoridis; University of Athens
映画の感情認識。認識対象は音響信号のみ。感情を２次元空間(Emotion Wheel)で表現する。音響信号から10次元の特徴量を計算し、2次元の感情空間への写像を推定。写像はkNN法に基づく。

AE-L3.6: ACOUSTIC FALL DETECTION USING GAUSSIAN MIXTURE MODELS AND GMM SUPERVECTORS
         Xiaodan Zhuang; University of Illinois at Urbana-Champaign
         Jing Huang; IBM T. J. Watson Research Center
         Gerasimos Potamianos; IBM T. J. Watson Research Center
         Mark Hasegawa-Johnson; University of Illinois at Urbana-Champaign
NetCarityプロジェクト：センサネットワークを用いた家庭でのケアと安全に関するEUのプロジェクト。この発表では人間の転倒を検出する。単一マイクロホンによる音響信号を利用。GMMと、GMMにSVMを組み合わせた方法の2つを比較。SVMを使った方が高精度（F値で64%）。

セッションが終わり、ポスター会場の場所をちょっと確認した後、昼食を取りに外へ。会場のすぐ近くがTAIPEI 101というショッピングセンターなので、そこで食べることにする。外はほんの少し雨が降っている。

中に入ると、地下にフードコートがあるようなので、とりあえず地下へ。行ってみると、たくさんの店が並んでいる。あまりに多いので、しばらく中をふらふら歩いてみる。

適当に良さげな「小南門」でセットメニュー。肉味噌かけご飯、ゆで野菜、冬瓜入りチキンスープ。なかなかうまい。

食べた後で会場に戻り、入り口でNICTの西村さんと立ち話。その後、午後前半はポスターセッションを流す。

SPE-P6: Large Vocabulary ASR

SPE-P6.2: UNSUPERVISED ACOUSTIC AND LANGUAGE MODEL TRAINING WITH SMALL AMOUNTS OF LABELED DATA
         Scott Novotney; BBN Technologies
         Richard Schwartz; BBN Technologies
         Jeff Ma; BBN Technologies
ラベルのない大量データに自動ラベリング→学習の繰り返しを行うときに、元のラベル付きデータ量がどのように影響するかの調査。

SPE-P6.6: COPING WITH OUT-OF-VOCABULARY WORDS: OPEN VERSUS HUGE VOCABULARY ASR
         Matteo Gerosa; FBK - Fondazione Bruno Kessler
         Marcello Federico; FBK - Fondazione Bruno Kessler
OOVモデルを使った場合と、語彙サイズを拡大した場合に認識率がどうなるかを比較。OOVモデルなし＜OOVモデル入り＜語彙拡大の順に効果がある。

SPE-P6.9: MODELING CHARACTERS VERSUS WORDS FOR MANDARIN SPEECH RECOGNITION
         Jun Luo; CNRS-LIMSI
         Lori Lamel; CNRS-LIMSI
         Jean-Luc Gauvain; CNRS-LIMSI
中国語の認識で、文字を単位とする。単語単位よりも悪い。私が以前日本語でやったときとほぼ同じ結論。

SPE-P6.11: A STUDY ON MULTILINGUAL ACOUSTIC MODELING FOR LARGE VOCABULARY ASR
         Hui Lin; University of Washington
         Li Deng; Microsoft Research
         Dong Yu; Microsoft Research
         Yifan Gong; Microsoft Corporation
         Alex Acero; Microsoft Research
         Chin-Hui Lee; Georgia Institute of Technology
大量のデータを使って、言語非依存の音響モデルを作る。また、特定の言語への適応を行う。ある言語の学習データが少なければ、言語依存の音響モデルよりも言語非依存モデルを適応した方がよい。

MLSP-P2: MLSP Applications I

MLSP-P2.9: SINGING VOICE DETECTION IN MUSIC TRACKS USING DIRECT VOICE VIBRATO DETECTION
Lise Regnier; IRCAM
Geoffroy Peeters; IRCAM
音楽信号をボーカルありとなしに分類する。音声にはビブラートがあり、それと同時にパワーの変調（トレモロ）もあることを利用する。バイオリンなどの場合には、周波数変調はあるが、振幅変調は同時には観測されない。

AE-P2: Audio Coding and Processing

Audio Processingのセッションは半分以上が音楽情報処理。生活音認識や異常音検出も結構あり、うちで今やろうとしていることが図らずも世界的トレンドであることがわかった。

AE-P2.1: A HARMONIC BANDWIDTH EXTENSION METHOD FOR AUDIO CODECS
         Frederik Nagel; Fraunhofer IIS
         Sascha Disch; Leibniz Universitaet Hannover
スペクトル帯域拡張手法。SBRのように低域のスペクトルを広域にコピーしたり、あるいは低域を広域に折り返すのではなく、低域のスペクトルを整数倍に引き延ばした上で元のスペクトルを重ねる。コピーよりも高品質。

AE-P2.6: ON ACOUSTIC SURVEILLANCE OF HAZARDOUS SITUATIONS
         Stavros Ntalampiras; University of Patras
         Ilyas Potamitis; Technological Institute of Crete
         Nikos Fakotakis; University of Patras
悲鳴、爆発、銃撃音の認識。MFCCとMPEG-7特徴量を使ったHMM。「あぶないvs.あぶなくない」認識の後、具体的にどの音であるかを認識する。

AE-P2.8: POLYPHONIC MUSICAL INSTRUMENT RECOGNITION BASED ON A DYNAMIC MODEL OF THE SPECTRAL ENVELOPE
         Juan Jose Burred; IRCAM
         Axel Robel; IRCAM
         Thomas Sikora; Technical University of Berlin
混合楽器音から、どの楽器が含まれているかを当てる方法。スペクトル包絡をPCAで次元圧縮して、その時間変化をモデル化する。EMアルゴリズムで混合音を分解。基本的に楽器の短音が重なっている場合を対象としているので、楽器音が重なりながら連続している場合に適用できるかどうかは疑問。

AE-P2.9: SOUND EVENT CLASSIFICATION BASED ON FEATURE INTEGRATION, RECURSIVE FEATURE ELIMINATION AND STRUCTURED CLASSIFICATION
         Tran Huy Dat; Institute for Infocomm Research, A*STAR
         Li Haizhou; Institute for Infocomm Research, A*STAR
日常音の認識。6種類の特徴量セットのどれがよいか比較検討。また、先験的な決定木を作り、それぞれの識別に最適な特徴量をノードごとに決める。音声以外ではMFCCは最適でない。また、雑音がある場合にはMFCCよりもOFCC（オクターブごとのケプストラム）がよい。

AE-P2.10: EMOTION-BASED MUSIC RETRIEVAL ON A WELL-REDUCED AUDIO FEATURE SPACE
         Maria M. Ruxanda; Aalborg University
         Bee Yong Chua; Aalborg University
         Alexandros Nanopoulos; University of Hildesheim
         Christian S. Jensen; Aalborg University
音楽の｢感情」（曲想？）識別。特徴量の次元をいかに減らすかが話のメイン。

AE-P2.11: RHYTHM MAP: EXTRACTION OF UNIT RHYTHMIC PATTERNS AND ANALYSIS OF RHYTHMIC STRUCTURE FROM MUSIC ACOUSTIC SIGNALS
         Emiru Tsunoo; The University of Tokyo
         Nobutaka Ono; The University of Tokyo
         Shigeki Sagayama; The University of Tokyo
教師なし学習のような方法によって、音楽をリズムで分割する。リズムマップというのが作られるが、それが「正しい」のかどうかは定かではない。

ポスターセッションは2時間だが、1時間半ぐらいで疲れたので、外で座って、聞いた発表についてまとめる。

コーヒーブレイクの後、オーラルのSpeech Understanding II を聞く。

SLP-L1: Spoken Language Understanding II

このセッションがぜんぜんSpeech Understanding でない件。

SLP-L1.1: SPEAKER DEPENDENCY OF SPECTRAL FEATURES AND SPEECH PRODUCTION CUES FOR AUTOMATIC EMOTION CLASSIFICATION
         Vidhyasaharan Sethu; University of New South Wales
         Eliathamby Ambikairajah; University of New South Wales
         Julien Epps; University of New South Wales
感情認識のための特徴量の検討。ピッチ＆ホルマント、FFTとLPCスペクトル、ZCFやスペクトル傾斜などの3種類の特徴セットを使う。話者依存の場合にはMFCCなどのスペクトルに基づく方法がよいが、話者独立な場合にはピッチやホルマントなど音声生成系のパラメータの方がよかった。

SLP-L1.2: SYNTACTICALLY-INFORMED MODELS FOR COMMA PREDICTION
         Benoit Favre; International Computer Science Institute
         Dilek Hakkani-Tur; International Computer Science Institute
         Elizabeth Shriberg; SRI International
音声書きおこしのためのコンマ予測。文型によるコンマ使用は6種類に分類できる（NP, NP and NPなど）。そこで、コンマ予測に音響的な特徴量だけでなく構文木の情報も使う。実際には、単語に構文的な役割でラベルを付け、そのn-gramを使う。 CRFも併用。

SLP-L1.3: GENRE EFFECTS ON AUTOMATIC SENTENCE SEGMENTATION OF SPEECH: A COMPARISON OF BROADCAST NEWS AND BROADCAST CONVERSATIONS
         Jachym Kolar; University of West Bohemia
         Yang Liu; University of Texas at Dallas
         Elizabeth Shriberg; SRI International
連続音声を文に分割する。対象はチェコ語。対象音声の違いによって性能がどう変わるかを調べた。単語、プロソディ、文区切りを同時にHMMでモデル化する。対話に比べて、ニュース音声に対しての方がプロソディが重要。

SLP-L1.4: COMBINING DISCRIMINATIVE RE-RANKING AND CO-TRAINING FOR PARSING MANDARIN SPEECH TRANSCRIPTS
         Wen Wang; SRI International
自動ラベリングによる教師なし学習(co-training)と識別関数によるリランキングの組み合わせ。
細かいところはよくわからなかった。

SLP-L1.5: LEARNING ON DEMAND - COURSE LECTURE DISTILLATION BY INFORMATION EXTRACTION AND SEMANTIC STRUCTURING FOR SPOKEN DOCUMENTS
         Sheng-yi Kong; National Taiwan University
         Miao-ru Wu; National Taiwan University
         Che-kuang Lin; National Taiwan University
         Yi-sheng Fu; National Taiwan University
         Lin-shan Lee; National Taiwan University
ビデオによる学習の支援。ビデオやスライドを構造化し、必要な部分だけを視聴できるようにする。また、講義に出てきたキーワードの索引を自動的に付与する。デモが面白かった。

SLP-L1.6: FROM RULE-BASED TO STATISTICAL GRAMMARS: CONTINUOUS IMPROVEMENT OF LARGE-SCALE SPOKEN DIALOG SYSTEMS
         David Suendermann; SpeechCycle Labs
         Keelan Evanini; SpeechCycle Labs
         Jackson Liscombe; SpeechCycle Labs
         Phillip Hunter; SpeechCycle Labs
         Krishna Dayanidhi; SpeechCycle Labs
         Roberto Pieraccini; SpeechCycle Labs
商用の対話システムでは、実データにあわせるために文法のチューニングをしているが、コストがかかるし性能もよくないので、確率モデルを使おうという話。
システムを運用しながらデータを集め、それで確率LMを学習してシステムにフィードバック、というサイクルを繰り返す。
この人の話は、他の人と違ってビジネストーク風。ビジネス界でがんばっているんだなあということがよくわかる。

最後の発表の途中で抜けて、入り口へ。この後はバンケットなのだが、私はバンケットのチケットを買っていないので、西村さんと何か食べに行きましょうかという約束をしていたのだ。

入り口で西村さんと待ち合わせたところ、JAISTの赤木先生のところの李さんが来ているとのことで、見かけたら一緒にいこうということでしばらく探す。しかし、どうにも見あたらないので、6時過ぎにあきらめて、西村さんと一緒に会場を出る。

歩きながらどこに行くか相談していたが、雨が止んだようなので、近くの夜市に行きましょうということになった。会場から歩いて10分ぐらいのところに夜市があるのだ。ということで、やや歩いて臨江街観光夜市へ。

夜市はちょうど始まったばかりで、これから開こうという店もあった。入り口のあたりに揚げ物屋、中程には服屋や雑貨屋が並ぶ。とりあえず端まで歩く途中、謎の果物を売っていたので食べてみる。緑色のリンゴみたいなもので、甘い蜜をかけて食べる。（後で調べてみたら、この果物はグァバだった）果物には味はあまりないが、蜜と一緒に食べると歯ごたえがよくておいしい。