要約
本稿では、単語レベルの唇読み（lipreading）を目的とした新たな深層学習アーキテクチャを提案する。従来の研究では、事前学習済みの3次元畳み込みニューラルネットワーク（3D Convolutional Neural Networks）をフロントエンドの特徴抽出器として組み込むことの可能性が示唆されている。本研究では、動作認識の最先端モデルであるSlowFastネットワークの変種として、時間窓を「スポットパスウェイ（spot pathway）」として利用し、全フレームを「ファストパスウェイ（fast pathway）」として用いる「SpotFastネットワーク」を導入する。さらに、順序特徴を学習するため、メモリ拡張型ラテラルトランスフォーマー（memory augmented lateral transformers）を組み込み、分類性能を向上させた。提案モデルはLRWデータセットを用いて評価された。実験の結果、本モデルは複数の最先端モデルを上回る性能を示し、特にメモリ拡張型ラテラルトランスフォーマーの導入により、SpotFastネットワークの性能が3.7%向上することが確認された。