@techreport{oai:ipsj.ixsq.nii.ac.jp:00211530,
 author = {齋藤, 弘一 and 中村, 友彦 and 矢田部, 浩平 and 猿渡, 洋},
 issue = {21},
 month = {Jun},
 note = {音源分離は，様々なアプリケーションの前処理として利用される．そのため，前処理として汎用的に利用できる音源分離の実現には，各アプリケーションで要請される様々な音響条件下で一貫して動作する音源分離モデルが必要である．これに対し，我々はこれまでに，代表的な音響条件の 1 つであるサンプリング周波数に非依存な畳み込み層（サンプリング周波数非依存畳み込み層）を提案し，それを用いた深層ニューラルネットワーク（deep neural network：DNN）に基づく音源分離モデルを構築した．サンプリング周波数非依存畳み込み層では，畳み込み層をデジタルフィルタとみなし，アナログフィルタから畳み込み層の重みを生成する仮定をデジタルフィルタ設計と捉えることで，サンプリング周波数に不変な構造を導入する．この層では，これまでアナログフィルタをサンプリング周期でサンプルすることでデジタルフィルタを設計していた．しかし，このフィルタ設計手法では，Nyquist 周波数よりも高い成分をもつアナログフィルタに関してエイリアシングが起こり，これが主たる要因となり，学習したサンプリング周波数よりも低いサンプリング周波数において分離性能が低下した．そこで，本研究ではフィルタ設計におけるエイリアシングを回避するため，最小二乗法に基づく周波数領域でのフィルタ設計手法を導入する．提案法をサンプリング周波数非依存畳み込み層に導入することにより，学習データとは異なるサンプリング周波数においても学習したサンプリング周波数と同程度の分離性能が得られることを楽音分離実験により示す．},
 title = {周波数領域でのフィルタ設計に基づくサンプリング周波数非依存畳み込み層を用いたDNN音源分離},
 year = {2021}
}