グローバルな枝刈りを導入した音や映像の高速探索

《グローバルな枝刈りを導入した音や映像の高速探索》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、論文グローバルな枝刈りを導入した音や映像の高速探索木村昭悟†柏野邦夫†黒住隆行†村瀬洋†AQuickSearchMethodforMultimediaSignalsUsingGlobalPruningAkisatoKIMURA†,KunioKASHINO†,TakayukiKUROZUMI†,andHiroshiMURASE†あらまし探したい音や映像が具体的に与えられ，それとほぼ同じ信号の区間が蓄積された長時間の音や映像の中のどこにあるかを高速に探索する問題に対する新しい手法を提案する．これまでに，高速探索手法の一つとして，時系列アクティブ探索法が提案されている．これは，信号から抽出

2、したヒストグラムに基づく信号探索手法であり，ローカルな枝刈り，すなわち照合窓周辺の類似度に基づいて探索の必要がない区間の照合を省くことにより高速な探索を実現していた．それに対し，提案手法は，ローカルな枝刈りに加え，信号全体の類似性に基づくヒストグラムの分類により信号時系列全体を見て探索の必要がない区間を取り除く，グローバルな枝刈りを導入することにより，更に高速な探索を実現する．本論文では，グローバルな枝刈りの度合と保証される精度との関係を詳しく議論する．例えば提案手法では，128次元のヒストグラムを1024通りに分類したとき，時系列アクティブ探索法に比べ，事前処理の計算時間が信号時系

3、列の再生時間の1％程度増加するものの，同程度の精度を保ったまま，探索速度を約9倍にできることを実験により示す．キーワード一致探索，時系列アクティブ探索法，グローバルな枝刈り，ヒストグラム重なり率，L2距離トにおける音楽・映像等著作物の不正利用防止など，1.まえがき幅広い応用が考えられる．近年，大量の音や映像のデータベースの中から目的このような手法の一つとして，ヒストグラムに基の音や映像を高速かつ正確に探し出す技術が強く求めづいた信号探索手法である時系列アクティブ探索法られている．（Time-SeriesActiveSearch）が提案されている[6]．音や映像の検索・探索に関する手法

4、は数多く提案さ時系列アクティブ探索法は，照合時点周辺の類似性にれている．これらの手法の多くは，求める音や映像の基づいて探索の必要がない区間の照合を省くことによ内容に関する何らかの条件を指定して，それに適合すり高速な探索を実現している．本論文では，この高速る具体的な音や映像をデータベースや長時間の素材等化手法をローカルな枝刈り（localpruning）と呼ぶ．から取得するものである[1]～[5]．本論文では，この時系列アクティブ探索法では，あらかじめ特徴抽出を探索方式を内容検索と呼ぶ．行っておいた場合，60時間分の蓄積された音や映像か一方，本論文では，探したい音や映像（参照信号，ら，

5、15秒分の音や映像の断片と同一の区間を，およそreferencesignal）が具体的に与えられ，それとほぼ同1秒以内で探索することが可能である．しかし，更にじ信号の区間が蓄積された膨大な音や映像（蓄積信号，膨大な蓄積信号を対象とする場合，より高速に探索をstoredsignal）の中のどこに存在するかを高速かつ正行うことが求められる．確に検出する手法を提案する．本論文では，この探索ところが，時系列アクティブ探索法は，照合時点周方式を一致探索と呼ぶ．一致探索手法は，テレビ放送辺の類似性のみを用いているため，例え蓄積信号中でやラジオ放送を蓄積したデータに対する特定のコマー参照信号と全く

6、類似していない区間が長く連続していシャル・楽曲等の検出や統計情報の作成，インターネッたとしても，その区間の照合を完全には省くことができない．そのため，時系列アクティブ探索法は，参照†日本電信電話株式会社NTTコミュニケーション科学基礎研究所，信号と蓄積信号全体との類似性にかかわらず，蓄積信厚木市号の長さに従って探索時間が増大するという問題点がNTTCommunicationScienceLaboratories,NTTCorpora-tion,3–1MorinosatoWakamiya,Atsugi-shi,243–0198Japanある．1552電子情報通信学会論文誌D–IIVol

7、.J85–D–IINo.10pp.1552–15622002年10月論文／グローバルな枝刈りを導入した音や映像の高速探索これらの問題を解決するためには，蓄積信号全体の類似性を考慮した探索範囲の絞込みが不可欠である．これまでにも，探索範囲を絞り込む手段は，主に静止画像検索などを対象にデータベース技術の分野で数多く発表されている．例えば，事前に超直方体[7]，超球[8]，超直方体と超球の共通部分[9]でそれぞれデータを階層的に分類して探索木を構成することで類似