文献

J-GLOBAL ID：202402286164094306   整理番号：24A2567453

Video Vision Transformerに基づく音源定位の提案

著者 (7件)： 横田遥大 (東京工大) ,  BOZKURTLAR Mert (東京工大) ,  BOZKURTLAR Mert (ITU) ,  YEN Benjamin (東京工大) ,  糸山克寿 (HRI-JP) ,  西田健次 (筑波大) ,  中臺一博 (東京工大)
資料名： 日本ロボット学会学術講演会予稿集(CD-ROM)  (日本ロボット学会学術講演会(CD-ROM))
巻： 42nd  ページ： ROMBUNNO.3C4-02  発行年： 2024年 
JST資料番号： L4867A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 本稿では,深層学習を用いた音源定位(SSL)について述べる。深層学習を用いたSSLは広く研究されているが,主に2つの課題がある:音源定位に不可欠な時間的特徴を適切に扱えない,SSLの学習に表現力の高いネットワークを用いていない。本論文では,これらの課題を解決するために,音響特徴量のストライド分割と,動画認識で高い性能を持つことで知られるVideo Vision Transformerの導入を提案した。実際の音声を用いた実験の結果,提案手法が従来手法より優れていることを示した。(翻訳著者抄録)

シソーラス用語： *音像定位 ,  深層学習 ,  音響特徴量 ,  セグメンテーション ,  動画像 ,  認識 ,  文脈 ,  表現力 ,  ネットワーク ,  *音声処理 ,  *動画像認識 ,  ロボット
準シソーラス用語： コンテクスト ,  *音源定位 ,  動画

分類 (4件)： 音声処理  (JE05000E) ,  図形・画像処理一般  (JE04010I) ,  人工知能  (JE08000Z) ,  ロボットの設計・製造・構造要素  (IC04013A)

タイトルに関連する用語 (3件)： Transformer ,  音源定位 ,  提案