| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2018-06-28 14:10 音声認識のための画像特徴量を用いた言語モデルの検討 ○萩原愛子・伊藤 均・一木麻乃・三島 剛・佐藤庄衛（NHK）  PRMU2018-22 SP2018-2 |
|
| 抄録 | （和） | NHKは，生放送番組の字幕制作ならびに取材映像の書き起こし生成のため音声認識を用いたシステムの開発を進めている． NHKが認識の対象とする音声には映像が付随していることが多く，映像からはドメインの推定といった言語モデル精度の向上につながる情報の取得が期待できる．そこで，画像特徴量を言語モデルに取り組む手法を2つ提案した．1つめは一般物体認識モデルの隠れ層を抽出する．2つめは自動生成された画像のキャプションを学習に用いる．一般的な再帰型言語モデルと比較して，1つめの手法においてパープレキシティが5% 低減し，提案手法の有効性を確認した． |
| （英） | NHK is pursuing the development of a system using speech recognition for the closed caption production of live broadcasting and transcription of interview video footage. In many cases, it is possible to acquire images as well as audio from video footage. From the images, it is expected to obtain information that leads to improvement of language model accuracy such as domain identification. Therefore, we proposed two methods to adopt image features to language models. The first method is to extract the hidden layer of the image recognition model, and the second is to incorporate the image description captions which automatically generated. Compared to the baseline recurrent neural network language model, perplexity decreased in the first method. | |
| キーワード | （和） | 音声認識 / 言語モデル / 一般物体認識 / 画像キャプション / マルチモーダル / / / |
| （英） | Speech recognition / Language model / Image recognition / Image captioning / / / / | |
| 文献情報 | 信学技報, vol. 118, no. 112, SP2018-2, pp. 3-6, 2018年6月. | |
| 資料番号 | SP2018-2 | |
| 発行日 | 2018-06-21 (PRMU, SP) | |
| ISSN | Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | PRMU2018-22 SP2018-2 |
|
| 研究会情報 | |
| 研究会 | PRMU SP |
| 開催期間 | 2018-06-28 - 2018-06-29 |
| 開催地（和） | 信州大学 |
| 開催地（英） | |
| テーマ（和） | マルチモーダル/クロスモーダルな認識、生成 |
| テーマ（英） | |
| 講演論文情報の詳細 | |
| 申込み研究会 | SP |
| 会議コード | 2018-06-PRMU-SP |
| 本文の言語 | 日本語 |
| タイトル（和） | 音声認識のための画像特徴量を用いた言語モデルの検討 |
| サブタイトル（和） | |
| タイトル（英） | Language model utilizing image features for automatic speech recognition |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 音声認識 / Speech recognition |
| キーワード(2)（和/英） | 言語モデル / Language model |
| キーワード(3)（和/英） | 一般物体認識 / Image recognition |
| キーワード(4)（和/英） | 画像キャプション / Image captioning |
| キーワード(5)（和/英） | マルチモーダル / |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 萩原 愛子 / Aiko Hagiwara / ハギワラ アイコ |
| 第1著者 所属（和/英） | 日本放送協会 (略称： NHK) Japan Broadcasting Corporation (略称： NHK) |
| 第2著者 氏名（和/英/ヨミ） | 伊藤 均 / Hitoshi Ito / イトウ ヒトシ |
| 第2著者 所属（和/英） | 日本放送協会 (略称： NHK) Japan Broadcasting Corporation (略称： NHK) |
| 第3著者 氏名（和/英/ヨミ） | 一木 麻乃 / Manon Ichiki / イチキ マノン |
| 第3著者 所属（和/英） | 日本放送協会 (略称： NHK) Japan Broadcasting Corporation (略称： NHK) |
| 第4著者 氏名（和/英/ヨミ） | 三島 剛 / Takeshi Mishima / ミシマ タケシ |
| 第4著者 所属（和/英） | 日本放送協会 (略称： NHK) Japan Broadcasting Corporation (略称： NHK) |
| 第5著者 氏名（和/英/ヨミ） | 佐藤 庄衛 / Shoei Sato / サトウ ショウエイ |
| 第5著者 所属（和/英） | 日本放送協会 (略称： NHK) Japan Broadcasting Corporation (略称： NHK) |
| 第6著者 氏名（和/英/ヨミ） | / / |
| 第6著者 所属（和/英） | (略称： ) (略称： ) |
| 第7著者 氏名（和/英/ヨミ） | / / |
| 第7著者 所属（和/英） | (略称： ) (略称： ) |
| 第8著者 氏名（和/英/ヨミ） | / / |
| 第8著者 所属（和/英） | (略称： ) (略称： ) |
| 第9著者 氏名（和/英/ヨミ） | / / |
| 第9著者 所属（和/英） | (略称： ) (略称： ) |
| 第10著者 氏名（和/英/ヨミ） | / / |
| 第10著者 所属（和/英） | (略称： ) (略称： ) |
| 第11著者 氏名（和/英/ヨミ） | / / |
| 第11著者 所属（和/英） | (略称： ) (略称： ) |
| 第12著者 氏名（和/英/ヨミ） | / / |
| 第12著者 所属（和/英） | (略称： ) (略称： ) |
| 第13著者 氏名（和/英/ヨミ） | / / |
| 第13著者 所属（和/英） | (略称： ) (略称： ) |
| 第14著者 氏名（和/英/ヨミ） | / / |
| 第14著者 所属（和/英） | (略称： ) (略称： ) |
| 第15著者 氏名（和/英/ヨミ） | / / |
| 第15著者 所属（和/英） | (略称： ) (略称： ) |
| 第16著者 氏名（和/英/ヨミ） | / / |
| 第16著者 所属（和/英） | (略称： ) (略称： ) |
| 第17著者 氏名（和/英/ヨミ） | / / |
| 第17著者 所属（和/英） | (略称： ) (略称： ) |
| 第18著者 氏名（和/英/ヨミ） | / / |
| 第18著者 所属（和/英） | (略称： ) (略称： ) |
| 講演者 | 第1著者 |
| 発表日時 | 2018-06-28 14:10:00 |
| 発表時間 | 30分 |
| 申込先研究会 | SP |
| 資料番号 | PRMU2018-22, SP2018-2 |
| 巻番号（vol） | vol.118 |
| 号番号（no） | no.111(PRMU), no.112(SP) |
| ページ範囲 | pp.3-6 |
| ページ数 | 4 |
| 発行日 | 2018-06-21 (PRMU, SP) |
[研究会発表申込システムのトップページに戻る]