抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
近年,ビデオデータから特定のシーンを検索する機能に対するニーズが高まっており,音声中の検索語検出(STD:Spoken Term Detection)の研究が盛んに行われている。本稿では,従来のSTDを行った後,検索結果上位候補をDNN(Deep Neural Network)の出力確率を用いて検索語と照合するリスコアリング方式を提案する。NTCIR-9,10のFormal run,Dry run計4種のテストセットを用いた評価実験の結果,リランキング発話数Kを50件とした場合,検索精度を表すMAPが4.11pt~11.61pt向上し,処理時間はフレーム単位照合で約0.17秒,状態単位照合で平均約0.10秒と,実用可能な処理時間で検索精度の向上を実現できた。さらに,リランキング対象発話数の増加に伴い,検索精度が向上することも確認できた。Kを2000件とした場合のMAPは9.48pt~28.04pt向上し,検索時間はフレーム単位照合で約7.24秒,状態単位照合で約4.12秒となった。また,状態単位照合方式は,フレーム単位照合とほぼ同等の検索精度で検索時間を約1.73倍高速化できた。以上のように,実用的な処理時間で検索精度向上を実現し本手法の有効性を確認できた。(著者抄録)