論文番号 D-W1-05

論文番号 F-W1-05

論文番号 F-W2-01

論文番号 F-W2-03

論文番号 F-W2-02

The objective of this work is to embed watermark information into digital audio data as the deterioration of sound quality is not perceivable to human ears. And hence, we consider that watermark information is embedded in the consonance to melody line or bass line. Generally, unison, octave, perfect fifth and perfect fourth are called consonance and human ears can hardly feel annoyed for consonance. And hence, we focus on perfect fifth and perfect fourth in the consonance. For decision of embedding positions, we need to estimate tone pitches, and we use spectrogram analysis as a technique of automatic music transcription. We embed watermark information with perfect fifth or perfect fourth of consonance from the pitch which is estimated by spectrogram analysis, and we aim the sound quality of watermarked audio signal without sense of discomfort. And hence, we propose an audio watermarking method by using automatic music transcription information.

The objective of this work is to increase the capacity of watermark information in the audio watermarking method based on low-frequency amplitude modification. We increase the capacity of watermark information by embedding multiple watermarks in individual data channels

We propose a watermarking method that has robustness against geometrical slight distortions. The method is based on the variances of two color components of an image. When an image is geometrically distorted, two color components on the same position cause the same distortion, and the relation of variances of two color components in a local domain does not change easily. So we embed a watermark by changing the variances of two color components so that the watermark may be robust against geometrical distortions.

The objective of this work is to improve the sound quality of the audio watermarking method using smearing transformation. In this paper, we propose zdmbedding Position Groupingz?to improve the sound quality of watermarked audio.

In this paper, we aim to improve the sound quality of the audio watermarking method using smearing transformation, which is proposed by M.Wakai et al. Since noise is caused by the signature impulse, we aim to reduce the power of the signature impulse. In our method, the signature impulse is filtered by low-pass filter, and then the filtered impulse is embedded.

The objective of this work is to increase the capacity of watermark information in the audio watermarking method based on amplitude modification. We increase the capacity of watermark information by dividing a GOS (Group of Samples) into five sections.

In the field of speech recognition, many researchers have proposed speech recognition methods using auditory information like acoustic signal or visual information like shape and motion of lips. Auditory information has valid features for speech recognition, but it is difficult to accomplish speech recognition in noisy environment. On the other side, visual information has advantage to accomplish speech recognition in noisy environment, but it is difficult to extract effective features for speech recognition. Thus, in case of using either auditory information or visual information, it is difficult to accomplish speech recognition perfectly. In this paper, we propose a method to fuse auditory information and visual information in order to realize more accurate speech recognition. The proposed method consists of two processes: (1) two probabilities for auditory information and visual information are calculated by HMM, (2) these probabilities are fused by using linear combination. We have performed speech recognition experiments of isolated words, whose auditory information (22.05kHz sampling, 8-bit quantization) and visual information (30-framc/s sampling, 24-bit quantization) are captured with multi-media personal computer, and have confirmed the validity of the proposed method.

We propose a method to fuse auditory information and visual information for accurate speech recognition. This method fuses two kinds of information by using linear combination after calculating two kinds of probabilities by HMM for each word. In addition, we use full-frame color image as visual information in order to improve the accuracy of the proposed speech recognition system. We have performed experiments comparing the proposed method with the method using either auditory in-formation or visual information, and confirmed the validity of the proposed method.

We propose a speech recognition method using fusion of auditory and visual information for accurate speech recognition. Since we use both auditory information and visual information, we can perform speech recognition more accurately in comparison with the case of either auditory information or visual information. After processing each information by HMM, they are fused by linear combination with weight coefficient. We performed experiments and confirmed the validity of the proposed method.

This article analyzes dynamics of the chaotic neural network and minimum searching principle of this network. First it is indicated that the dynamics of the chaotic neural network is described like a gradient descent, and the chaotic neural network can roughly find out a local minimum point of a quadratic function using its attractor. Secondly It is guaranteed that the vertex corresponding a local minimum point derived from the chaotic neural network has a lower value of the objective function. Then it is confirmed that the chaotic neural network can escape an invalid local minimum and find out a reasonable one.

Recently, some speech recognition methods using fusion of visual and auditory information have been researched. In this paper, a study on the mouth shape image suitable for fusion of visual and auditory information has been described. Features of mouth shape which are extracted from gray level image and binary image are adopted, and speech recognition using linear combination method has been performed. From results of speech recognition, the studies on the mouth shape features which are effective in fusion of visual and auditory information have been performed. And the effectiveness of using two kinds of mouth shape features also has been confirmed.

We propose an asymmetric neural network which can solve inequality-constrained combinatorial optimization problems that are difficult to solve using symmetric neural networks. In this article, a knapsack problem that is one of such the problem is solved using the proposed network. Additionally, we study condition for obtaining a valid solution. In computer simulations, we show that the condition is correct and that the proposed network produces better solutions than the simple greedy algorithm.

In the field of speech recognition, many researchers have proposed speech recognition methods using auditory information like acoustic signal or visual information like shape and motion of lips. Auditory information has valid features for speech recognition. but it is difficult to accomplish speech recognition in noisy environment. On the other side. visual information has advantage to accomplish speech recognition in noisy environment, but it is difficult to extract effective features for speech recognition. Thus, in case of using either auditory information or visual informaion. it is difficult to accomplish speech recognition perfectly.
In this paper. We propose a method to fuse auditory information and visual information in order to realize more accurate speech recognition. The proposed method consists of two processes: (1) two probabilities for auditory information and visual information are calculated by HMM, (2) these probabilities are fused by using linear combination. We have performed speech recognition experiments of isolated words and have confirmed the validity of the proposed method.

We propose two methods to fuse auditory information and visual information for accurate speech recognition. The first method fuses two kinds of information by using linear combination after calculating two kinds of probabilities by HMM for each word. The second method fuses two kinds of information by using the histogram which expresses the correletion of them. We have performed experiments comparing the proposed methods with the conventional method and confirmed the validity of the proposed methods.

A pseudoinverse rule, one of major rule to determine a weight matrix for associative memory, has large capacity comparing with other determining rules. However, it is wellknown that the rule has small domains of attraction of memory vectors on account of many spurious states. In this paper, we try to improve the problem by means of subtracting a constant from all diagonal elements of a weight matrix. By this method, many spurious states disappear and eigenvectors with negative eigenvalues are introduced for the orthocomplement of the subspace spanned by memory vectors. This method can be applied to two types of networks: binary network and analog network. Some computer simulations are performed for both two models. The results of the simulations show our improvement is effective to extend error correcting ability for both networks.

This article deals with the binary neural network with negative self-feedback connections as a method for solving combinatorial optimization problems. Although the binary neural network has a high convergence speed, it hardly searches out the optimum solution, because the neuron is selected randomly at each state update. In this article, an improvement using the negative self-feedback is proposed. First it is shown that the negative self-feedback can make some local minimums be unstable. Second a selection rule is proposed and its property is analyzed in detail. In the binary neural network with negative self-feedback, this selection rule is effective to escape a local minimum. In order to confirm the effectiveness of this selection rule, some computer simulations are carried out for the N-Queens problem. For N=256, the network is not caught in any local minimum and provides the optimum solution within 2654 steps (about 10 minutes).

The Traveling Salesman Problem (TSP) can be solved by a neural network using the coding scheme based on the adjacency of city in the tour. Using this coding scheme, the neural network generates a better solution than that using other coding schemes. We, however, often get the invalid solution consisting of some subtours. In this article, we propose a method of eliminating subtours using additional neurons. On the computer simulation it is shown that we get the optimum solution by means of taking only O(n^2) additional neurons and trials.

In this article, the autocorrelation associative neural network that is one of well-known applications of neural networks is improved to extend its capacity and error correcting ability. Our approach of the improvement is based on the consideration that negative self-feedbacks remove spurious states. Therefore, we propose a method to determine the self-feedbacks as small as possible within the range that all stored patterns are stable. A state transition rule that enables to escape oscillation is also presented because the method has a possibility of falling into oscillation. The efficiency of the method is confirmed by means of some computer simulations.

We propose a recognition method for HMM using a simultaneous generative histogram. Proposed method uses the correlation between two features, which is expressed by a simultaneous generative histogram. Then output probabilities of integrated HMM are conditioned by the codeword of another feature. The proposed method is applied to isolated digit word recognition to confirm its validity.

We propose a continuous speech recognition algorithm utilizing island-driven A^* search. Conventional left-to-right A^* search is probable to lose the optimal solution from a finite stack if some obscurities appear at the start of an input speech. Proposed island-driven A^* search proceeds searching forward and backward from the clearest part of an input speech, and thus can avoid to lose the optimal solution from a finite stack.

In this paper, two models for associative memory based on a measure of manhattan length are proposed. First, we propose the two-layered model which has an advantage to its implementation by using PDN. We also refer to the way to improve the recalling ability of this model against noisy input patterns. Secondly, we propose the other model which always recalls the nearest memory pattern in a measure of manhattan length by lateral inhibition. Even if a noise of input pattern is so large that the first model can not recall, this model can recall correctly against such a noisy pattern. We also confirm the performance of the two models by computer simulations.

This article analyzes the property of the fully interconnected neural networks as a method of solving combinatorial optimization problems in general. In particular, in order to escape local minimums in this model, we analyze theoretically the relation between the diagonal elements of the connection matrix and the stability of the networks. It is shown that the position of the global minimum point of the energy function on the hyper sphere in n dimensional space is given by the eigen vector corresponding the maximum eigen value of the connection matrix. Then it is shown that the diagonal elements of the connection matrix can be improved without loss of generality. The equilibrium points of the improved networks are classified according to their properties, and their stability is investigated. In order to show that the change of the diagonal elements improves the potential for the global minimum search, computer simulations are carried out by using the theoretical values. In according to the simulation result on 10 neurons, the success rate to get the optimum solution is 97.5. The result shows that the improvement of the diagonal elements has potential for minimum search.

記事分類: 電気工学--電子工学--電子回路

記事分類: 振動工学・音響工学

記事分類: 電気工学--電子工学--電子回路

情報ハイディング技術は「ステガノグラフィ」と「電子透かし」に大別される.ステガノグラフィにおいてはステゴデータに不自然さが認められることは回避したい.電子透かしにおいても,透かしの埋め込み処理の影響をステゴデータから知覚されることは回避したい.換言するならば,情報ハイディング技術を適用したステゴデータから不自然さや違和感を感じないことが重要であるといえる.技術的にはカバーデータとの比較によりステゴデータの品質の良否が議論されることが多い.具体的な客観的評価指標としては,音響信号においてはSNRやODG,画像・映像信号においてはPSNRやSSIMが用いられる場合が多い.一方,情報ハイディング技術を応用したシステムを実際に運用する場合には,カバーデータがユーザに提示されるとは限らず,むしろ提示されない場合が多いと考えられる.そこで本稿では,カバーデータとの差異に捉われることなく,聴覚的あるいは音楽的に自然なステゴデータを得ることを目的として,音楽理論を情報ハイディングへ応用した音楽電子透かし手法について述べる.

音楽電子透かしでは,透かしを埋め込んだ後でも音質が良くなければならないことが求められる.透かしを埋め込んだ後であっても音質を良くするために,本稿では単なる信号処理ではなく音楽理論の観点から楽曲を取り扱う.その一つとして,楽曲に含まれている音色と同じ音をある条件下で加えたとき,違和感が生じない場合があり得ると考えられる.しかし,加えた音が音楽として成立していなければ,音色が同じというだけでは違和感が生じてしまう.そこで本稿では,音楽理論のうち協和音に着目し,演奏音と協和音の関係になるように信号を加えることで,透かしを埋め込んだ後でも音質の良い楽曲を得る手法を提案する.

情報ハイディング及びその評価基準(IHC)研究会において定めた評価基準に従い,著作権管理を目的とする強耐性音響電子透かし技術を評価するコンテストを実施した.基準を満たさない技術および締切を過ぎた応募も,評価基準認定の対象外ではあるが受け付け,全体で6件の応募があった.その結果,コンテスト応募期間内に評価基準をクリアした技術は無かったが,締切後に応募された技術のなかからは,評価基準をクリアした技術が2つ得られた.応募された報告書に記載された評価結果および技術内容を概観することにより,音響電子透かし技術の現状と課題を明らかにした.今後もこのような統一評価基準に基づくコンテストを繰り返すことにより,情報ハイディング技術のさらなる向上が見込めるであろう.

論文番号3-1-24

論文番号3F1-4

論文番号3F2-2

論文番号3F2-1

論文番号EMM2011-61

論文番号EA2011-100

我々が提案している多層型音楽電子透かし手法は、透かし情報の埋め込み処理を多層化することにより埋め込み容量の増大が実現可能である。しかしながら、多層化に応じて埋め込み処理による音質劣化が知覚されやすくなるという課題があった。そこで本研究では、“整合窓関数の最適化”および“誤り訂正符号を利用した音質改善手法”を多層型音楽電子透かし手法へ導入することで埋め込み処理に起因する音質劣化の軽減を可能とし、埋め込み容量と音質との両立を実現した。

一般のセキュリティ用監視システム、高齢者福祉家庭において援助を必要とする状態を報知する「高齢者福祉用報知システム」とか、ハンディキャップを有する人あるいは要監視患者の状態を報知する「医療・福祉における監視援助システム」において、 (1) プライバシーを損なうことなく、必要とする情報を遠隔地に通報すること (2) 監視・観察において省力化可能であること (3) 映像信号を遠隔地へ伝送する場合などに比べて通信コストを飛躍的に減少させることができること を目的として、対象動物体の動作・行動をテキスト形式で表し、遠隔地に報知するシステムについて検討した。 まず、対象物体として人物を想定し、ビデオカメラがとらえた映像上に現れている人物頭部の3次元位置・姿勢を連続的に推定することにより、人物の動きを調べる方法を示した。さらに、人物頭部の位置・姿勢の変化とともに、手とか足の動きをもとに一つのまとまった動作を認識する手法を示すとともに、画像上で隠れが生じるときには音声認識の助けを借りて動作を認識する方法も考慮した。得られた3次元位置・姿勢の変化から人物の移動、回転、座る、立ち上がるなどの基本的な動作の抽出方法と、基本動作の組み合わせから得られる一まとまりの動作、ならびに音声認識から得られる動作を格文法に基づく格構造表現形式で表す方法を提案した。 次に、動作環境内に置かれている調度品、什器などの物体の種類と位置関係を知識として与えておくことにより、人物の動作と対象空間に配置されている物体の位置関係から、目的とか意図を表す動作に対応する述語を推論し、結果を格構造形式で表す。そして報知すべき形態の動作が現れたとき、格構造表現を自然語の文章で表し、テキスト形式で報知する方法を提案した。 さらに、これらの手法を屋内の人間の生活動作を対象した場合、ならびに屋外の複数人物の動作説明を対象にした場合について実験を行い、その有効性について検討した。

本課題では、様々な環境下における音声による対話(マン-マシンインターフェイス)の実現を目的とし、視聴覚融合音声認識システムに関する研究を行なった。具体的には,「人間の目の役割を演ずるテレビカメラ」と「耳の役割を演ずるマイクロホン」から得られた情報を対象としてモバイルコンピュータ上で統合認識処理を行なうことにより、柔軟性のあるマン-マシンインターフェイスの実現を試みている。本研究の目的である「モバイル視聴覚融合音声認識システム」は,3つの処理(「1.視聴覚情報のデータ収集」,「2.融合および認識手法の開発」,「3.モバイルコンピュータへの実装」)から構築される。平成10年度は,「3.モバイルコンピュータへの実装」に関する研究を行なった。また同時に、昨年度までの成果に改良を加えることにより認識精度の改善を行なった。・モバイルコンピュータへの実装昨年度までの研究成果である視聴覚融合音声認識システムをモバイル型マルチメディアコンピュータ上に実装し、室外などの様々な騒音環境下を想定して音声認識実験を行なった。その結果、各種実験により高騒音環境における認識率改善の点で、提案手法が有効であることを確認できた。・融合手法の改善昨年度までの研究成果である視聴覚融合音声認識システムにおける視聴覚融合手法に改善を加えた。具体的には、HMMの出力確率の計算を行なう際にDempster-Shafer確率理論を導入することで、背景騒音などの認識環境により適合した融合を行なうことが可能となり、結果として認識精度の向上を実現した。なお,上述の実験に用いたモバイル型マルチメディアコンピュータは、本科学研究費補助金研究により購入した設備備品である。

本課題では,動画像を使用した視聴覚融合による人間と計算機との対話システムの実現を目的とし,視聴覚融合音声認識システムに関する研究を行なった.特に,近年,急速に普及しつつあるマルチメディアコンピュータ(「動画像の表示」や「音響信号の録音・再生」などの機能を有するコンピュータ)上に視聴覚融合音声認識手法を実装することで,特殊な装置を一切用いることなく音声認識システムを実現することを試みた.本研究で構築を行なった「マルチメディアコンピュータによる視聴覚融合音声認識システム」では,マルチメディアコンピュータが有している“音声同期型動画像入力機能"を用いてフルフレーム(30fps, 1秒間当たり30フレーム)・フルカラー(24 bit color)の動画像をディジタル形式のデータとして撮影する.その後,この動画像を対象として,特徴抽出処理,視聴覚融合処理,音声認識処理の各処理をマルチメディアコンピュータ上で行なう.なお,視聴覚融合処理については,「1次結合によるHMM(隠れマルコフモデル)視聴覚融合手法」と「TDNN(時間遅れニューラルネットワーク)による視聴覚融合手法」の2種類の手法により実現している.本システム用いて音声認識実験を行なった結果,・唇の動きが速いために認識が困難であった子音に対する効果・マルチメディアコンピュータ上への視聴覚融合音声認識システムの実装可能性を確認した.さらに,認識率を改善する方策として,口唇形状をより反映する視覚特徴量の抽出法について検討を進めている.なお,上述のシステムの構築,および,実験評価の実施に際して,本科学研究費補助金研究により購入した設備備品を使用した.

本課題では,動画像を使用した視聴覚融合による人間と計算機との対話システムの実現への第一段階として,比較的発話時間の短い文章(人間から計算機への一方通行)を対象とした視聴覚融合による音声認識システムを実現する事を目的とし,動画像を用いた視聴覚融合音声認識システムに関する研究を行なった.本研究で構築を行なった「フルフレーム画像を対象とした視聴覚融合音声認識システム」では,視聴覚情報の入力手段として “音声同期型動画像入力機能を有しているマルチメディアパソコン" を用いて,フルフレーム(30fps,1秒間当たり30フレーム)の動画像をディジタル形式のデータとして撮影する.その後,この動画像を対象として,HMM(隠れマルコフモデル)に多次元ベクトル量子化を組み合わせた認識モデル上で,特徴抽出処理,視聴覚融合処理,音声認識処理の各処理を行なう.なお,本システムでは,「視覚情報用(動画像用)HMMにより算出された対数尤度」と「聴覚情報用(音声用)HMMにより算出された対数尤度」とを1次結合するというシンプルかつ効果的な手法により視聴覚融合処理を実現している.本システム用いて音声認識実験を行なった結果,・母音発声時の音声認識精度の向上・唇の動きが速いために動画像による認識が困難であった子音に対する効果を確認した.さらに,ニューラルネットワークを利用した視聴覚融合処理方式についても検討を進めており,今後は音声認識システムへの実装を試みる予定である.なお,上述のシステムの構築,および,実験評価の実施に際して,本科学研究費補助金研究により購入した設備備品を使用した.

18面　新聞・雑誌

　テレビ・ラジオ番組

　新聞・雑誌