基于神经网络的不干扰方法对视频质量评估的经验

文摘

体验质量的测量和评估(经验)的质量已成为一个主要集中在电信与预期质量的用户提供服务。然而,网络参数和编纂等因素会影响视频质量,限制了客观和主观指标之间的相关性。上面增加了复杂性评价的真正质量视频被用户。在本文中,基于人工神经网络的模型,如摘要(反向传播神经网络)和RNNs(随机神经网络)应用于评估的主观质量量度MOS(平均意见分)和PSNR(峰值信号噪声比),SSIM(结构相似度指数度量),VQM(视频质量指标)和QIBF(基于质量指标的框架)。该模型允许建立的QoS(服务质量)的基础战略Diffserv。分析了指标通过皮尔森和斯皮尔曼相关系数、RMSE(均方根误差),和离群值率。相关值大于90%的人获得的评价指标。

1。介绍

质量的评估在数字视频系统中是一个极大的兴趣话题的电信公司希望增加他们的用户质量。经验的体验质量(质量)是用户的满意程度任何类型的多媒体服务。这个概念以不同的方式定义了不同的作者。刘等人。1建议体验质量包括两个方面:(我)监控用户的在线体验。(2)服务控制以确保QoS(服务质量)可以满足用户的需求。

体验质量是QoS的延伸,因为前者提供的信息服务交付从最终用户的角度来看。体验质量指的是用户的个人喜好,所以试图评估的主观感知收到服务2,3]。不过,这种看法的影响,网络性能的QoS和视频编码参数。不同的方法在文献中提出针对估计主观质量的经验,通过不同指标的评估视频质量通常使用客观的方法。

在数字电视平台的实现(例如,IPTV和DVB),一些重要的限制会影响网络的管理和正确操作。其中的一些是(我)大量的带宽用户应该合同,(2)内部缓冲区的限制路由器和机顶盒(机顶盒),它可以生成包丢失等问题,对视频或音频的传播是至关重要的,(3)视频压缩格式的类型,这将减少该频道使用而不影响质量,(iv)其他物品应该安装和正确配置,如最后一英里链接使用和允许控制类使用。

不同的研究提出了质量评估模型对视频流和测量策略,以确定每个指标的最优值保证观众的经验。

根据温克勒(4),有项目体验质量评价:VQEG(视频质量专家集团)、QoSM (ATIS航站IPTV服务质量度量)的互操作性论坛,和具体指标如面向数据包,比特流,混合动力车和图像指标5- - - - - -8];但这些更复杂,相关方法尚未申请实时服务评估。其他作品提出一种新的kpi(关键性能指标)之间的关系与体验质量评估在移动环境中,但它可以应用在其他场景固定宽带网络特别关注电信运营商(9]。

的一个主要问题的估计视频主观质量是缺乏适当的评估或相关模型。这些必须保证结果准确性,但在许多情况下严重依赖于客观指标(10- - - - - -12]。同时,体验质量指标的相关性模型不准确、可靠。

根据(13),三种策略开发执行评估视频质量。第一个是应用主观评价与选择的人群;评估的主要缺点是成本和时间。第二个是视频客观质量评估指标,主要缺点是低的相关性对主观质量指标(14];此外,指标排除网络和内容等参数。最后一个是使用机器学习的方法来分析客观和主观评价,但主要缺点是配置和测试的困难;此外,一些方法可能会失败是否合适的设计和最优参数选择不执行。

根据Kuipers et al。15),接受质量的最小阈值MOS(平均意见分)值为3.5。主观测试(如金属氧化物半导体)被广泛用于评估用户满意度由于其准确性;然而,他们仍然是非常复杂的应用由于高消耗的时间和金钱;因此,他们是不切实际的任务测试的网络设备,需要和控制环境是必需的(在某些情况下,它的实现是复杂的)。

如果我们想开发实时交通管理技术,有必要找到它们之间的关系和客观指标,由网络设备可衡量的。

客观评估方法是基于算法的视频质量,使他们不那么复杂,而且,可以进行控制的仿真环境。客观指标支持数学模型近似本身对人类视觉系统(HVS)的行为,因此,试图尽可能准确地估计真实的体验质量。然而,每一个观众的感觉深受数据网络的质量,所表达的QoS参数(26]。很多建议体验质量评估指标定义创建了用户的体验。他们中的一些人(ITU-T进行了标准27,28]。

由于HVS等复杂因素,不同类型的解决方案,比如提出了机器学习技术的实现。一些最常用的方法是人工神经网络(ANN),基于规则的模糊逻辑、模糊网络(例如,简称ANFIS)、支持向量机(SVM),高斯过程,和遗传算法等。不视频体验质量的评估方法主要是基于应用层和网络参数。

模型作为人工神经网络的小视频质量评估和预测的研究。不干扰方法的评估,我们决定采用两种机器学习方法:摘要前馈和RNN(随机神经网络)。我们评估每个系统的输出,估计金属氧化物半导体金属氧化物半导体和预期。在每种情况下,相关的配合,由皮尔森和斯皮尔曼等级相关系数,均方根误差(均方根误差),和离群值比计算。计算预期的金属氧化物半导体的VQM(视频质量指标),SSIM(结构相似度指数度量),PSNR(峰值信号噪声比),QIBF(质量指数基于帧)指标。

介绍了客观和主观质量的关键指标和不干扰引入了一个体验质量评估方法基于机器学习技术,显示其主要特性和功能。后来,发达试验台是解释;这两个结果分析提出了。最后的主要结论和进一步的工作将被显示。

2。相关的工作

2.1。体验质量评估的方法

尽管建议客观指标,他们总是不接近人类感知,因为感知深受网络的性能,定义的QoS参数。根据(29日,30.),客观指标计算模型预测图像质量被任何人和可分为侵入性和不干扰方法,如图1。

主观伪质量评估模型或PSQA(伪主观质量评估)是不干扰方法的一个例子(NR)。这个模型使用一个RNN(随机神经网络)31日- - - - - -33)学习和识别视频之间的关系和网络的特征与用户感知的质量。

最初,RNN的训练过程,需要一个数据库包含不同的序列来评估产生的扭曲QoS和编码参数。后来,RNN的培训评估与任何视频序列为了验证金属氧化物半导体测量。

2.2。体验质量指标

2.2.1。PSNR和MSE指标

PSNR(峰值信号噪声比)和均方误差(均方误差)指标是最常应用的(11]。他们评估了视频序列的质量,因此,在主观范围内可以映射PSNR旨在比较像素和帧接收到的图像与源图像的质量。它是最知道FR(全部参考)指标。如果我们考虑帧的大小像素和8位/样本,PSNR值可以计算使用(1根据()34,35)如下: 在哪里表示一个像素最初的框架和位置指的是像素位于在接收机端帧重建的位置。大约255个元素最大值的像素可以8位图像(255)。分母称为MSE和均方误差的均方的像素灰度值之间的差异值到图片或序列和。

以来几项研究已经使用这个映射,PSNR图像内容是有限的,它不能识别工件由于丢包。此外,这项措施并不总是与实际用户的感知因为像素进行比较是没有执行一个分析图像的结构元素(例如,轮廓或特定扭曲了编码器或传输设备在网络上或时空工件)。因此,一些指标提出了生成的提取和分析特性和工件等视频序列SSIM指标(36]。

2.2.2。SSIM指标

假设人类视觉感知是高度适应提取结构从一个场景,SSIM结构相似度指数计算均值,方差和协方差之间的传播和接收帧(37]。应用SSIM,三个组件(亮度、对比度、和结构相似性)测量和组合成一个值被称为SSIM指标−1和1之间不等,消极或0值表示零相关的原始图像和1意味着它是相同的图像35]。

据王et al。38],SSIM给出一个好的近似图像的失真由于测量结构信息的变化。在视频序列,这个指标考虑各种场景的复杂性,在运动方面,空间细节,和颜色。据王et al。37),这个指标使用结构性失真测量的误差。上面的重点是人类视觉系统从视野中提取结构信息和忽视的提取错误。因此,结构变形的计算应该给一个更好的相关性与主观指标。在[39,40),提出了一种简单而有效的算法来计算SSIM指标。

让原始信号,,让被扭曲的信号,;指数给出的相似结构 的意思是在哪里的均值,的方差和的协方差和,和常量值。可以被定义为的SSIM价值 在哪里,,比较函数的亮度、对比度、和结构组件,和参数,,是常数。质量评价指标。更多细节,请参见[39]。

2.2.3。VQM规

的NTIA VQM度量(视频质量指标)39]认为两个图像输入,原始和处理视频,质量水平验证通过人类的视觉系统和一些主观方面。这个指标将图像划分为space-temporal序列块,测量元素,如模糊,一般噪声,失真,颜色失真,其中混合成一个单一的指标。比分接近0被认为是最好的价值。据王(41),这个指标显示了良好的相关性与主观方法和ANSI标准也被采用的评估视频质量。

在表1,比较表总结体验质量的主要指标,用于这项工作。

2.2.4。新的映射体验质量指标

寻et al。42)提出了一个框架,利用流媒体视频体验质量的评估系统。另一方面,Botia et al。16)提出了一种新的映射在PSNR, SSIM, VQM,和MOS指标,见表2。在我们的模拟中,我们计算了平均每个金属氧化物半导体的视频序列,每个FR度量从表的价值2然后我们得到了预期的金属氧化物半导体。

2.2.5。QIBF规

Serral-Garcia et al。43)提出一个框架称为PBQAF(基于剖面的体验质量评价框架)。这个框架定义了框架的三个州(正确的改变,失去了)通过分析的载荷。此外,一个映射生成和执行质量指标关联。这个指标从接收到的数据包有效载荷,计算与PLR(丢包率)相关联。方程(4)显示质量函数生成的映射函数: 与框架的丢包率。的映射函数 在哪里显示了比丢失的帧;因此,当一个高丢包率测量,质量指标会越来越趋向于0。因此,最终的质量的视频流为一组值给出了特定的帧 在哪里是集所有帧的视频。从Botia et al。44)之间的映射QIBF(基于质量指标的框架)指标和MOS度量提出了每一帧类 ;也就是说,每一帧相当于一个类。在(7),QIBF由 在哪里的最大帧数,seq是被评估的实际视频序列,指的是类网络应用在传播序列(BestEffort或Diffserv),的帧数()丢失,由MPEG图像的集合是一个调整系数设置为0.05,从几个开发测试。

1/3的因素(7)是通过3类定义的框架中使用的测试。作为,NFL的值除以100来定义因此,进行计算。演示附录所示一个。

表3显示了建议的质量指标和MOS指标之间的映射,在哪里正如观察表3索引值为金属氧化物半导体,一个好的价值指标,指示一个视频序列的最小工件。

3所示。仿真测试平台

对于我们的测试,实验是建立了使用仿真软件工具NS-2和框架Evalvid评估一组视频序列。获得的结果从FR / RR指标与主观评估找到可能的相关指标使用机器学习技术。

在仿真中,我们使用不同的原始未压缩的视频序列的选择格式YUV颜色模式或抽样4:2:0,ffmpeg编码,主要概念软件工具,以使其适应不同的比特率和共和党(图片)的长度。四个视频序列最初评估不同程度的运动,在mpeg - 4格式编码,适应由模拟IP网络传输。

图2说明了一些评估视频的截图(西班牙公共的消息电视、质量、高速公路和冬天的树),转换和编码分辨率为720×480像素(标准定义)NTSC标准,30帧的帧速率。对于每一个视频流,几个参数组合作为共和党的长度(10、15、30),推荐的比特率通过DSL论坛(45)(1.5、2、2.5、3 Mbps),和丢包率的网络(BestEffort和Diffserv使用拥塞控制算法,或者说是),产生的385个不同的视频序列进行测试(16]。

生成的视频跟踪是适应被发送到数据网络通过每个数据包的封装MTU(最大传输单元)的1024位,使用RTP协议(实时传输协议)MP4trace软件工具。考虑到仿真工具NS-2和Evalvid框架(46),发送方和接收方创建跟踪文件,计算发送和接收帧和数据包丢失,延迟,和不安。上述促进每个视频序列的分析对于实现场景(BestEffort和Diffserv数据网络)。

Evalvid框架还支持PSNR和MOS指标和模块化的结构,使它很容易适应任何仿真环境。密歇根州立大学VQMT软件工具(47)允许获得Y-PSNR, SSIM和VQM度量值通过原始参考视频和接收视频失真。

仿真场景由视频发送者(视频点播服务器)和9 cross-traffic来源,包括CBR和开关流量来源。网络拓扑是基于哑铃(48)(见图3)。在我们的测试中,我们发送几个视频数据包在网络拥塞和将允许测试定义的QoS方案(或者说是Diffserv)。mpeg - 4视频流完成与背景开关交通流量的指数分布与平均数据包大小为1500字节,破裂50毫秒的时间,空闲时间是0.01毫秒,和发送的速度1 Mbps [16,44]。访问网络是由一个视频接收机(模拟与ADSL2最后一英里),10 Mbps带宽链接和几个接收节点(下沉)交叉流量和带宽为每一个10 Mbps的。传播扭曲模拟在不同PLR(丢包率)。交通行为和体验质量指标进行了测试与几个错误率之间的链接建立核心和边缘路由器,使用损失模型和均匀分布在利率为0%,1%,5%,10%,延迟5女士。表4和5显示仿真中使用的主要参数和编码。

4所示。不干扰的实现方法来评估视频质量的客观和主观指标

不干扰方法的评估,我们决定使用两种机器学习方法(摘要前馈和随机神经网络)。这些方法已经被使用在不同的环境下一节中描述。评估每个系统的输出,我们认为以下几点:金属氧化物半导体金属氧化物半导体和预期,估计计算,后者通过PSNR值的映射,VQM SSIM, QIBF指标(见表1和2)。

在每种情况下,相关调整计算,由皮尔森相关系数和RMSE估计错误。一般的方法是在图4(26,49]。

最初,他们获得的原始格式的视频序列在mpeg - 4 / AVC-format编纂。每个序列通过IP-simulated网络发送。以上是基于“BestEffort”和“Diffserv“每个FR / RR指标计算和各自的值映射。通过这种方式,平均MOS值是通过使用表格2和3。考虑到编纂的价值观,这样的QoS网络和获得的FR / RR指标允许构建输入数据库培训两个神经网络。

MATLAB软件套件用于摘要,使用神经网络工具箱。对于RNNs情况,我们使用了QoE-NNR软件工具(50]。来自385个不同序列在不同的配置参数,大约70%被用作训练数据和剩下的30%作为测试和验证数据。最后,获得估计MOS值,计算相关的平均MOS值。给定的机器学习结果将介绍和讨论。

表7显示了一个简单的数篇论文评估的艺术体验质量对所测试使用神经网络作为(概率神经网络),摘要(反向传播神经网络),RNN(随机神经网络),简称ANFIS(自适应Neurofuzzy推理系统)。作品中,使用一些视频序列,不显示分辨率或编码信息和应用低分辨率(移动设备)。更多的使用h和mpeg - 4 AVC编码格式。我们发现PSNR、SSIM VQM指标经常应用和一些作品使用2指标或更多。在我们的例子中,我们使用5个不同的指标和4在每个场景视频序列运动水平。最后,机器学习基于神经网络(RNN,摘要,简称ANFIs)是用于这些作品。结果显示良好的金属氧化物半导体的性能估计。然而,他们是由几个输入参数,仅评估1或2在低分辨率视频序列(年代)。他们不与其他类型的人工神经网络,在大多数情况下,皮尔森相关系数< 0.90。

4.1。案例1。实现与反向传播前馈人工神经网络

处理信息的人工神经网络是一个范例的灵感来自于人类的神经系统。通常,人工神经网络是由大量的高度相互关联的处理元素称为神经元,而共同努力,解决问题(13]。底是建立一个神经网络也称为延时(多层感知器),通常分为3或层。

第一层包含神经元连接到输入矢量数据;第二层是称为隐藏层和砧骨一组突触和权重和一些激活函数定义每个神经元兴奋或抑制,生成一个响应。根据罗宾侬et al。51),如果隐藏的神经元的数量很低,它可以有大量的培训和推广由于underfitting错误。否则,如果有很多隐层神经元,低的训练可能会犯错误,但高泛化可能出现错误,导致过度训练的不良影响(过度拟合)和高方差。第三层是直接连接到隐层输出层数据向量的估计输出将被获得。多层神经元的非线性传递函数(比如tangential-sigmoid)允许网络学习之间的线性和非线性关系的输入(PLR,共和党,比特率,QoS类,QIBF, PSNR, SSIM,和VQM)和所需的输出向量(MOS)。反向传播神经网络的结构如图5。

人工神经网络前馈型是最常用的执行评估的主观指标。几个工作提出不同的模型基于安(52- - - - - -58]。这些方法通常应用在移动系统或较低的分辨率(QCIF还是到岸价);此外,这些作品排除网络参数或视频目标指标。在大多数情况下,一个或两个指标作为网络的输入,结果从皮尔森的自我几乎总是低于0.90。

据丁等。52),神经网络可以用来获取客观质量评估之间的映射函数和主观质量评价指标。这肯定让安的有用性的理解分析估计金属氧化物半导体,该模型提出了研究。

在这种情况下,通过几个参数进行网络训练,这将转化为输入变量。如上所述,可能影响视频质量客观参数。培训后,用一组测试数据评估(96序列)将以达到相应的网络进行验证。这个想法是为了达到最低的错误并能够关联安与平均的估计金属氧化物半导体金属氧化物半导体计算从客观指标定义表1和2。

对于研究的情况下,我们想要构建MOS估计函数,定义为 在哪里是输入参数建立的比特率,丢包率,共和党长度、QoS类(1BestEffort和2Diffserv)、SSIM PSNR、VQM QIBF。

喜欢一个人,安系统需要一个学习的阶段,另一个用于验证和测试时建立神经网络广义的学习对于任何数据集。这个过程中,网络是通过训练训练算法和尽可能低的误差通过代价函数计算均方误差(均方误差)。在这种情况下,我们使用一个迭代的梯度下降算法或其他学习算法来实现收敛到目标价值(目标),也就是说,计算网络的最小训练误差。

根据里斯et al。59),在多层网络延时,各种各样的非线性连续激活函数隐藏层,其中一层,包含一个很大程度上任意数量的神经元,能充分满足所谓的通用方法。这使得定义与单一神经网络隐层神经元(20)满足输出(估计金属氧化物半导体和金属氧化物半导体),计算映射的客观指标。的主要缺点之一是找到正确的数量的隐藏神经元由于输入/输出神经元的数量等因素,训练的数量情况下,噪声在输出和输入的数量,使用体系结构、学习算法和一种隐层的神经元激活函数。

实证方法进行从16个隐层神经元等于两倍的输入神经元和神经元达到训练算法的目标函数Levenberg-Marquardt添加在每个培训和测试周期。这是一个广泛使用的最小二乘算法来解决这个问题。

该摘要前馈结构如图6。输入和输出层的神经元有一个线性的激活函数(purelin)。隐藏层中的各种测试后,训练误差最低的是获得与20个神经元函数tangent-sigmoid激活(tansig)。

执行若干次迭代后,重新设置权重在训练阶段,获得最佳的性能,如图7。

在图8验证阶段。如图所示,适合网络的输出数据和所需的金属氧化物半导体。分析它们之间的线性回归。估计价值之间的关系建立了摘要(变量)和所需的数据(变量)。表示由以下给出经典线性方程:

根据皮尔森相关参数估计MOS摘要和预期之间的金属氧化物半导体,一个线性的96.72%和RMSE 0.1977了。图9显示相关的输出。结果建立前馈神经网络可以很好的泛化数据用于验证和完全线性关系。

4.2。实现通过PSQA随机神经网络(RNN)的方法

这种网络捕获的准确性和鲁棒性映射函数,在几个参数。根据卡萨斯等。60),这样的网络已经使用在多个工程领域,突出和解决np完全优化的问题,生成纹理图像问题,视频和图像压缩算法,和分类问题上的IP语音和视频质量,使它们适合在体验质量评估中的应用。附录B详细解释了RNNs和这些网络使用的主要参数。RNNs是介于神经网络和排队网络。根据定义,RNNs是集网络由一系列相互连接的神经元。这些神经元瞬间从一个神经元信号旅行到另一个交换和发送信号和环境。每个神经元与整数随机变量与一个潜在的关联。一个神经元的潜力在时间被定义为。如果神经元的潜力是正的,神经元兴奋,随机发送信号到其他神经元或环境根据泊松过程的速率。信号可以是积极的(+)或负面(−)。RNN的三层体系结构。因此,神经元的集合分为三个子集:输入神经元组,一组隐藏的神经元,神经元的输出。一个输出生成的输入是什么时候吗;因此,,因为,权重的设置步骤。

根据卡萨斯等。60),有必要应用方法来评估质量的经验基础上的使用网络参数(丢包概率,延迟、抖动等)和视频参数(编码、比特率、帧率、共和党长度等),这将成为输入参数。根据这些标准,这些参数和主观质量值之间的映射函数可以生成由MOS度量定义。执行这个任务,作者提出了方法论PSQA(伪主观质量评估),它使用RNNs学习参数之间的映射和感知质量51]。

这种方法的特点是它的准确性;它允许实时生成自动评估有效,可以应用与多种媒体编解码器和不同的参数和网络条件下。此外,它可以扩展与客观指标进行比较,生成更精确的相关性(61年]。

RNN视为一个监督学习机器,它使用多媒体和网络特点和预期的MOS值。如果在训练阶段的输入参数的关系通过客观的指标和预期的输出,可以评估和/或预测的主观价值更高层次的准确性。由于RNNs特性,它们是完美产生良好的评估变化的影响质量的所有参数(51]。因此,它是一个精确的模型,快,和较低的计算成本。提出开发研究情况下,RNN前馈- layer架构,穆罕默德和罗宾侬[提出的61年),实现。QoE-RNN软件工具被用来估计MOS值通过使用一个RNN。这个工具已经在LGPL许可和c语言编程的开发50]。

整个过程呈现在图10,网络上传输的视频序列评估通过比较目标平均金属氧化物半导体。因此,根据QoS策略实现,每个目标相关联的MOS值指标(PSNR、VQM SSIM和QIBF)设置和定义的所以平均MOS ()计算RNN的目标值。表示为如下方程(26]: 在哪里为每一个客观指标,指的是金属氧化物半导体的总样本。

输入参数选择,从网络,获得相应的进行相关分析。

边界的迭代的数量是2000,网络拓扑是由9定义输入神经元,10个隐层神经元,神经元和一个输出。在不同进行测试,最适合与10个隐层神经元实现。

使用MATLAB分析MOS和之间的线性相关性执行。一个好的线性找到适合的皮尔森系数在0.9812和RMSE 0.1412。在图11,这种相关性。

所有相关的一般总结获得每个案例研究提出了表6。

感知质量的性能指标取决于其相关结果的客观指标。因此,主观估计的精度指标对预测精度等问题,单调性,一致性评估。这保证了可靠性高的主观评价视频质量在一系列的视频测试序列不同的工件。评估视频质量专家组提出的方法(VQEG) [62年]。四个统计测量用来评估视频质量指标性能:皮尔逊相关系数(PCC),斯皮尔曼相关系数的排序(SROCC),均方误差(RMSE),和离群值比(或)[63年,64年]。

所示的结果表6之间的相关性高的指标肯定是好与客观指标,斯皮尔曼系数证明高线性趋势在所有情况下。泛化是非常高的,我们注意到一致性、准确性、和单调性的结果。模拟执行,我们观察到VQM, SSIM, QIBF指标高度相关,接近用户的感知(MOS指标建立的)。

所有情况下,相关性达到值高于90%,客观和主观指标之间的相关性在每种情况下提供了一个优秀的线性行为。因此,指标作为VQM、SSIM QIBF在很大程度上是由MOS建立主体性相关。也被观察到的结果摘要前馈表明一个好的泛化对每个评估估计MOS客观指标,尽管它是应用RNN略高。RNN的PSQA提供了更好的相关性与金属氧化物半导体的预测值。生成的策略基于机器学习方法的不干扰模型被证明是准确的和高度灵活。它允许主观估计MOS值通过有关FR(全部参考)和RR(减少引用)选择的研究。

5。结论

在这项工作中,我们获得了优秀的客观和主观体验质量指标之间的相关性值通过使用不干扰的方法。的准确性、一致性和单调性验证了皮尔森和斯皮尔曼的相关性的分析,异常值率,RMSE(根均方误差)。的一个主要的局限性的客观和主观的方法是缺乏完整的方法论来分析体验质量的准确性。因此,这个问题是为了提出一个新的解决方法,允许寻找新的客观和主观指标之间的相关性。改善分析,机器学习技术,提出了通过利用bp人工神经网络和随机神经网络的方法来提高人类感知能力的评估。在不同的模拟执行,我们观察到VQM SSIM, QIBF指标高度相关,接近用户感知(由MOS度量)。不同于以往的作品,我们开发了一个通用的相关模型,使用网络和编码参数应用于多个视频序列。分析结果从学习机器,生成的摘要和RNNs高与客观指标的相关性,获得PCC值高于90%,出错率低。通过异常值的一致性指标之间的相关性较低的计算值。我们得出结论,不干扰方法的应用使我们人类感知产生更精确的方法。 In addition, telecommunications providers can use this methodology for estimating the QoE of users and improve their data network architectures and/or global settings on their platforms, optimize the QoS, and employ better encoding mechanisms. The development of new models for the assessment of QoE is a top research topic according to the state of the art. The topics that are being currently working include(我)开发新的目标指标,它很容易申请,可以准确地映射到观众的真实感知,(2)所有QoS的密切关系因素影响体验质量,(3)新传播策略高度拥挤的数据网络,可以产生更大的影响流媒体视频在互联网上传播环境中,这将影响用户体验的多媒体内容在下一代移动设备,(iv)新类型的视频编解码器的应用专门针对高清(H.265 / MPEG-DASH、动态自适应流媒体HTTP)[65年),(v)不同的方法基于机器学习技术的应用特别是与人工神经网络、neurofuzzy网络,支持向量机和遗传算法。

附录

答:QIFB度量的证据

让是一个QIBF规;(7)满足以下公理: (最大的)如果对所有,1是等价的2相当于,3相当于,指数是优秀的;。 (最低),如果对所有,1是等价的2相当于,3相当于,指数是不好的;。 [解析]对所有,1是等价的2相当于,3相当于,如果;;和。 (对称)对所有,1是等价的2相当于,3相当于,如果。

证明。(第1页)考虑对所有和假设,然后。如果作为真正的调整但这个值可以接近1为了得到一个更好的评价金属氧化物半导体。因此,作为,MOS得分约为5为最大值。
(他们)(最大损失)和假设,然后。如果作为真正的调整但这个值可以接近0为了得到一个更好的评价金属氧化物半导体。因此,作为,MOS得分约为最小值。
(P.3)假设和,这些关系是写成 考虑到和, 然后, 如果,获得 因此,它是发现如果单调下降,损失也降低了吗是单调下降如果损失也增加。因此,是一个充分条件。
(第四页),很明显损失的数量是一样的。

b .随机神经网络

RNNs是介于神经网络和排队网络。根据定义,RNNs是集网络由一系列相互连接的神经元。这些神经元交换信号立即从一个神经元旅行到另一个和发送信号和环境。每个神经元与整数随机变量和这些与潜力。一个神经元的潜力在时间被定义为。如果神经元的潜力是正的,神经元兴奋,随机发送信号到其他神经元或环境根据泊松过程和利率。信号可能是积极的(+)或负面(−)。因此,从神经元信号发送的概率对神经元是正用吗,信号的概率是消极的用。

信号的概率趋于环境用。如果神经元的数量,为所有,然后表示所示 因此,当一个从另一个神经元或神经元接收到一个积极的信号环境,其潜在增长了1。如果收到一个负电位信号,它会降低。当一个神经元发出一个积极的还是消极的信号,其潜在的减少一个单位。

从环境中流动的积极信号到达神经元泊松过程是一个或率。它就可以和对于任何一个神经元。一个活跃的网络(B.2)是必要的:

如果被定义为神经元的均衡概率在激发态,(B.3)被认为是:

在(B.3),如果泊松过程神经元的潜力遍历性,网络被定义为一个稳定和满足非线性系统的条件。

在RNNs,学习过程的目的是获得的值和概率和。上述允许获得的权重的神经元之间的连接,,见

从(B.4),权重的设置初始化网络拓扑具有任意积极的价值观和迭代执行修改权重。为,设置权重的步骤计算权重的设置步骤。让后获得的网络的步骤定义的重量和;然后,输入率(积极的外部信号)的集合为会得到一个网络,允许生成一个输出当输入;因此,。

RNN的三层体系结构。因此,神经元的集合分为三个子集:输入神经元的设置,设置隐藏的神经元,神经元的输出。从外部输入神经元接受积极的信号。为每个节点,。为输出节点,。中间节点不直接连接到环境中,对任何隐藏的神经元,。

有几个视频序列和不同的参数案例研究中,一组训练数据和另一组测试数据选择。在(B.5),表示训练序列的集合,其中每个序列被定义为和指的是验证序列的集合。此外,设置的参数吗影响每个序列,

参数的值序列中的被定义为在哪里,在那里是一个矩阵。每个序列收到一个分数。此外,序列,一个函数获得和训练过程完成。否则,我们可以尝试更多的数据或改变一些参数的RNN和继续建立一个新的功能。

利益冲突

作者宣称没有利益冲突有关的出版。

承认

本研究开发的一部分macroproject“实验互动电视系统”研究和创新中心(应用ICT-Artica区域联盟的)代码1115-470-22055,项目没有。RC584由Colciencias MinTIC。

引用

1. L.-Y。刘,W.-A。周,j。歌曲“经验研究的质量评价方法在普适计算环境中,”学报第一国际研讨会普适计算和应用程序IEEE,页178 - 182年,乌鲁木齐,中国,2006年8月。视图:出版商的网站|谷歌学术搜索
2. s .穆赫辛尼经常“驾驶质量经验的移动内容价值链,”学报》第四届IEEE国际会议上数字生态系统和技术(桌子的10),页320 - 325年,迪拜,阿拉伯联合酋长国,2010年4月。视图:出版商的网站|谷歌学术搜索
3. a . Devlic p . Kamaraju p . Lungaro z•西格尔画,和k . Tollmar“QoE-aware适应视频流,”《IEEE / ACM国际研讨会的服务质量美国波特兰,矿石,2015年2月,http://people.kth.se/ devlic /出版/ IWQoS15.pdf。视图:谷歌学术搜索
4. 温克勒,“视频服务的标准化质量测量,”IEEE COMSOC MMTC E-Letter,4卷,不。9日,2009年。视图:谷歌学术搜索
5. 温克勒,“视频质量测量standards-current状态和趋势,”学报》第七届国际会议信息,通信和信号处理(ICICS ' 09)2009年12月,澳门,中国,。视图:出版商的网站|谷歌学术搜索
6. k . Seshadrinathan和a·c·Bovik”运动调整时空自然视频质量评估,”IEEE图像处理,19卷,不。2、335 - 350年,2010页。视图:出版商的网站|谷歌学术搜索|MathSciNet
7. h·r·谢赫·a·c·Bovik”图像信息和视觉质量。”IEEE图像处理,15卷,不。2、430 - 444年,2006页。视图:出版商的网站|谷歌学术搜索
8. A . k . Moorthy和A·c·Bovik”运动补偿的视频质量评估方法,”美国第43艾斯洛玛尔会议信号,系统和电脑太平洋格罗夫,页872 - 875年,加州,美国,2009年11月。视图:出版商的网站|谷歌学术搜索
9. k . Radhakrishnan l·哈迪,“研究QoS的VoIP网络:一个随机神经网络(RNN)的方法,”弹簧模拟Multiconference学报》(SpringSim 10),社会对计算机模拟国际,奥兰多,佛罗里达州,美国,2010年4月。视图:谷歌学术搜索
10. 温克勒和p .莫汉达斯·“视频质量测量的演变:从psnr混合指标,”IEEE广播,54卷,不。3、660 - 668年,2008页。视图:出版商的网站|谷歌学术搜索
11. f . Boavida e . Cerqueira r . Chodorek et al .,“基准视频流的质量的经验和多媒体搜索服务:卓越的内容网络”第23届国家研讨会的电信和Teleinformatics (KSTiT ' 08)、电信学院和电气技术大学的技术和生命科学,台灯,波兰,2008年9月。视图:谷歌学术搜索
12. l·p·卡萨斯,a . Sackl r·沙茨是Janowski, j . Turk r . irm,“在移动网络寻求新的kpi:体验质量流量波动的影响,”《IEEE国际会议交流研讨会(ICCW 15),页1705 - 1710,伦敦,英国,2015年6月。视图:出版商的网站|谷歌学术搜索
13. m·里斯和j . r . Kubanek”视频质量评估与神经网络,移动流媒体应用程序”程序的语音和音频质量的测量网络研讨会(MESAQIN 06年)布拉格,捷克共和国,2006年6月。视图:谷歌学术搜索
14. o . Nemethova m·里斯·e·Siffel, m·鲁普”质量评估h编码的低利率和低分辨率的视频序列,”诉讼的适国际会议通信、互联网和信息技术(CIIT ' 04)圣托马斯,页136 - 140年,维尔京群岛,2004年11月。视图:谷歌学术搜索
15. d . Kuipers, r . Kooij设计、d . Vleeshauwer和k . Brunnstrom“技术测量质量的经验,”有线/无线网络通讯卷,6074在计算机科学的课堂讲稿施普林格,页216 - 227年,柏林,德国,2010年。视图:出版商的网站|谷歌学术搜索
16. d . Botia n . Gaviria d·吉梅内斯和j·m·梅内德斯”体验质量指标的相关方法应用于视频点播服务使用diffserv IPTV网络”学报》第四届IEEE拉丁美洲的会议沟通(IEEE LATINCOM 12)、昆卡、厄瓜多尔、2012年11月。视图:谷歌学术搜索
17. h . y, c . Wang长,k .郑”PNN-based体验质量测量模型在LTE系统中,视频应用程序”第七届国际ICST学报》在中国通信与网络会议(CHINACOM 12)58 - 62页。昆明,中国,2012年8月。视图:出版商的网站|谷歌学术搜索
18. k . Kipli m·穆罕默德s Masra n . Zamhari k .蓝色石灰岩和d . Azra”性能Levenberg-Marquardt反向传播全部参考混合图像质量度量,”国际会议论文集Muti-Conference工程师和计算机科学家(IMECS 12)香港,2012年3月。视图:谷歌学术搜索
19. k·d·辛格y Hadjadj-Aoul, g .罗宾侬”质量的经验估计自适应Http / Tcp视频使用h / AVC,”学报》第九Anual IEEE消费者通讯和网络相依多媒体和娱乐网络和服务(国家气候变化委员会的12)131年,页127 -拉斯维加斯,内华达州,美国2012年1月。视图:出版商的网站|谷歌学术搜索
20. 问:小冰期,j . Yangb l .他和美国球迷,“Reduced-reference视频质量评估基于bp神经网络模型对数据包网络,”能源Procedia13卷,第8062 - 8056页,2011年,《国际能源会议系统和电力(ESEP 11)。视图:出版商的网站|谷歌学术搜索
21. 答:汗,l .太阳,e . Ifeachor J.-O。f .自由法和h . Koumaras”,基于视频内容的视频质量预测模型动力学h .视频/ UMTS网络,”国际期刊的数字多媒体广播ID 608138条,卷。2010年,17页,2010。视图:出版商的网站|谷歌学术搜索
22. 刘h·杜c .郭y, y . Liu”体验质量之间的关系的研究和基于BP神经网络的QoS,”《IEEE国际会议对网络基础设施和数字内容(IC-NIDC ' 09),第315 - 312页,北京,中国,2009年11月。视图:出版商的网站|谷歌学术搜索
23. k . Piamrat c . Viho a . Ksentini和人类。Bonnin”视频在无线网络的经验测量质量,”学报第六届国际信息技术大会:新一代(ITNG ' 09)IEEE,页1184 - 1189年,拉斯维加斯,内华达州,美国,2009年4月。视图:出版商的网站|谷歌学术搜索
24. 答:汗,l .太阳和e . Ifeachor”ANFIS-based混合视频质量预测模型的视频在无线网络,”第二届国际会议在下一代移动应用程序、服务和技术(NGMAST ' 08)卡迪夫,页357 - 362年,威尔士,2008年9月。视图:出版商的网站|谷歌学术搜索
25. 罗宾侬g和m . Varela”端到端性能预测的一种新方法多媒体流”《国际会议上定量评价系统(追求“04),页110 - 119,IEEE计算机科学出版社,特文特大学恩斯赫德,荷兰,2004年9月。视图:出版商的网站|谷歌学术搜索
26. p . Goudarzi”,不仅不低体验质量测量算法h .视频传输系统中,“Scientia Iranica事务:计算机科学与工程和电气工程,20卷,不。3、721 - 729年,2013页。视图:出版商的网站|谷歌学术搜索
27. ITU-T,“主观视频质量评价方法对于多媒体应用程序,”建议P.910,国际电信联盟,瑞士日内瓦,1999年。视图:谷歌学术搜索
28. ITU-T,体验质量的建议,要求考虑为IPTV服务服务计费,UIT-T FG-IPTV,国际电信联盟,2006年瑞士,日内瓦。
29. p•卡萨斯·Belzarena i Irigaray, d . Guerra”用户的角度在多媒体网络的端到端服务质量评价”学报》第四届ACM国际联合会/拉丁美洲的网络会议(LANC ' 07)2007年,哥斯达黎加,圣何塞。视图:谷歌学术搜索
30. p·卡萨斯,p . Belzarena和s . Vaton”End-2-end IP多媒体服务的评价,用户感知的服务质量的方法,”十八ITC诉讼专家研讨会的经验通过08年)质量Karlskrona,瑞典,2008年5月。视图:谷歌学术搜索
31. r . Immich p·博尔赫斯、大肠Cerqueira和m . Curado”QoE-driven视频交付改进使用包损失预测,“国际期刊的平行、紧急和分布式Systems-Smart通信网络技术,30卷,不。6,478 - 493年,2015页。视图:出版商的网站|谷歌学术搜索
32. m·凯拉什和d .莲花”的概述的服务质量测量和优化对于互联网协议语音实现,”国际工程科技的进步杂志》上,8卷,不。1,第2063 - 2053页,2015。视图:谷歌学术搜索
33. s . Timotheou“随机神经网络:一项调查,”电脑杂志,53卷,不。3、251 - 267年,2010页。视图:出版商的网站|谷歌学术搜索
34. k . Kilkki“下一代互联网和体验质量,”在EuroFGI IA.7.6车间进行下一代NGI的社会经济问题2007年6月,桑坦德银行,西班牙,。视图:谷歌学术搜索
35. 电联。FG-IPTV。doc - 0814, IPTV服务质量的经验要求,2007年。
36. e . Cerqueira l .维罗索,m . Curado和e .蒙泰罗质量水平控制在下一代网络多用户会话Coimbra大学Coimbra INESC波尔图,葡萄牙,2008。
37. z, a·c·Bovik h·r·谢赫和e . p . Simoncelli“图像质量评估:从错误的可见性结构相似,“IEEE图像处理,13卷,不。4、600 - 612年,2004页。视图:出版商的网站|谷歌学术搜索
38. w·d . Wang叮,y, l .崔”联合图像质量评估方法基于全球相位相干性和结构相似,”学报》第三届国际大会对图像和信号处理(CISP 10)5卷,第2311 - 2307页,IEEE,烟台,中国,2010年10月。视图:出版商的网站|谷歌学术搜索
39. m . Vranješs Rimac-Drlje, d .Žagar“客观视频质量指标,”美国第49国际研讨会埃尔大学电气工程学院Osijek,扎达尔,克罗地亚,2007年9月。视图:谷歌学术搜索
40. 王z和A·c·Bovik“通用图像质量指数”IEEE信号处理信件,9卷,不。3、81 - 84年,2002页。视图:出版商的网站|谷歌学术搜索
41. y王调查的客观视频质量测量美国,EMC公司,数据质量,2004年,ftp://ftp.cs.wpi.edu/pub/techreports/pdf/06 - 02. - pdf。
42. t .寻Abboud o, o . Hohlfeld t . Hossfeld和p . Train-Gia“体验质量管理可伸缩视频流,”21 ITC诉讼专家研讨会多媒体应用流量,性能和体验质量宫崎骏,日本,2010年3月。视图:谷歌学术搜索
43. r . Serral-Garcia y, m . Yannuzzi x Masip-Bruin,和f . Kuipers,基于包丢失的多媒体视频的体验质量流,Crente de Recerca d 'Arquitectures Avancades de Xarxes (Politencic Cataluna大学),西班牙,代尔夫特理工大学,代尔夫特,荷兰,2009年,http://personals.ac.upc.edu/rserral/research/techreports/psnr_mos.pdf。
44. d . Botia n . Gaviria j . Botia d·吉梅内斯和j·m·梅内德斯”的质量改进经验评估与质量指数基于帧IPTV网络”第二届国际会议信息和通信技术和应用程序(法案的最新12)美国奥兰多,佛罗里达州,2012年。视图:谷歌学术搜索
45. DSL论坛,“三网融合服务质量的经验requierements和机构,”文字工作wt - 126 0.5版,2006年版。视图:谷歌学术搜索
46. j . Klaue b Rathke, a . Wolisz”EvalVid-a视频传输和质量评估框架”学报》第13次国际会议上造型技术和工具对计算机性能评价乌尔班纳,页255 - 272年,生病,美国,2003年9月。视图:谷歌学术搜索
47. d Vatolin,”密歇根州立大学视频质量度量工具,”密歇根州立大学图形和媒体实验室,2012年,http://compression.ru/video/quality_measure/video_measurement_tool_en.html、俄罗斯。视图:谷歌学术搜索
48. p . Subramanya k . Vinayaka h . Gururaj, b·拉梅什“绩效评估的高速哑铃网络中TCP变异,”IOSR计算机工程杂志》上,16卷,不。2,调查2014页。视图:谷歌学术搜索
49. d . Botia n . Gaviria d·吉梅内斯和j·m·梅内德斯”策略为提高体验质量评估在iTV平台基于QoS的度量标准,”《IEEE国际研讨会上多媒体(ISM 12)欧文,页483 - 484年,加州,美国,2012年12月。视图:出版商的网站|谷歌学术搜索
50. QoE-RNN工具,2011年,http://code.google.com/p/qoe-rnn/。
51. 罗宾侬g、m . Varela和人类。Bonnin”控制多媒体QoS在未来家庭网络使用PSQA度规,“电脑杂志卷,49号2、137 - 155年,2006页。视图:出版商的网站|谷歌学术搜索
52. w .叮,y,问:张,d .杨”的图片和视频质量评估使用神经网络和支持向量机,”清华科技,13卷,不。1,第116 - 112页,2008。视图:出版商的网站|谷歌学术搜索
53. a . Bouzerdoum a Havstad, a . Beghdadi“图像质量评估使用神经网络方法,”《第四届IEEE国际研讨会上信号处理和信息技术,页330 - 333,罗马,意大利,2004年12月。视图:谷歌学术搜索
54. j .崔承哲,k·李,和c·李,“不使用神经网络视频质量测量,”学报》第16届国际会议上数字信号处理(DSP ' 09),页1 - 4、IEEE Santorini-Hellas,希腊,2009年7月。视图:出版商的网站|谷歌学术搜索
55. 张x, y, l . Wu和h .江“FR的视频质量评估的研究实时视频流,”国际期刊《先进的计算机科学和应用程序,3卷,不。6、2012。视图:出版商的网站|谷歌学术搜索
56. 学术界。宫,W.-S。杨,彭译葶。欢,C.-M。宫”,调查使用神经网络的图像质量评估和结构进行分析,”《计算机科学国际研讨会,卷2,不。1,p。219年,2010年8月。视图:谷歌学术搜索
57. c . Wang x江、f·孟和y . Wang”质量评估使用神经网络模型对mpeg - 2视频流,”IEEE学报》13日通信技术国际会议(国际11)IEEE,页868 - 872年,济南,中国,2011年9月。视图:出版商的网站|谷歌学术搜索
58. p . Reichl s Egger s·穆勒et al .,“对一个全面的体验质量和用户行为建模框架,”学报》第17届国际研讨会上的多媒体体验质量(QoMEX 15),页1 - 6、IEEE Pylos-Nestoras,希腊,2015年5月。视图:出版商的网站|谷歌学术搜索
59. m·里斯j . Kubanek m·拉普,“视频质量评估与神经网络,移动流媒体应用程序”程序的语音和音频质量的测量网络研讨会(MESAQIN 06年)布拉格,捷克共和国,2006年6月。视图:谷歌学术搜索
60. p·卡萨斯,d . Guerra Bayarres,“感知的服务质量在IP语音和视频服务,“工程学院大学de la共和党人,职业项目,97年电气工程方案,电信,乌拉圭,2005。视图:谷歌学术搜索
61. 罗宾侬穆罕默德和g”,研究实时数据包使用随机神经网络视频质量,”IEEE电路和系统视频技术,12卷,不。12日,第1083 - 1071页,2002年。视图:出版商的网站|谷歌学术搜索
62. VQEG”,视频质量专家小组,最终报告从VQEG客观视频质量评估模型的验证,第二阶段,“2003年,http://www.its.bldrdoc.gov/vqeg/vqeg-home.aspx。视图:谷歌学术搜索
63. 温克勒,数字视频Quality-Vision、模型和指标约翰•威利& Sons 2005。
64. a .浴。理查森和s·坎,一个新的压缩视频感知质量指标罗伯特戈登大学、阿伯丁、苏格兰,2007年。
65. m . Alreshoodi j·伍兹,i . k .穆萨”优化交付可伸缩的h视频流QoS /体验质量的相关性,”IEEE国际会议消费电子学报》(ICCE 15)IEEE,页253 - 254年,拉斯维加斯,内华达州,美国2015年1月。视图:出版商的网站|谷歌学术搜索
66. a Kuwadekar k . Al-Begain,“以用户为中心的体验质量测试视频点播/ IMS,”学报第一国际会议上计算智能,通信系统和网络(CICSYN ' 09)印多尔,页497 - 504年,印度,2009年7月。视图:出版商的网站|谷歌学术搜索

版权

版权©2016迭戈Jose Luis Botia Valderrama和纳塔莉亚Gaviria戈麦斯。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。