منصة الرسائل والاطاريح: التنبؤ المستمر وتقييم جودة الفيديو باستخدام التعلم العميق

الخلاصة

يؤدي التطور الهائل لتطبيقات الوسائط المتدفقة إلى زيادة الطلب على قياس جودة التجربة (QoE). يتضمن مفهوم جودة الأعمال في الاتصالات تعريف البث الديناميكي التكيفي (DASH) عبر HTTP. يركز هذا العمل على ميزات المحتوى. تظل جودة الفيديو المقدم للعميل متغيرة بمرور الوقت ، اعتمادًا على ظروف الشبكة الشاملة. قد يؤدي تغيير ظروف الشبكة أيضًا إلى تدهور محتوى تشغيل الفيديو ، مما يؤدي إلى أحداث إعادة التخزين المؤقت (السكون والتجميد). تؤثر هذه الميزات على رضا المستخدم وتتسبب في تدهور جودة تجربة المستخدم. المشكلة هي عدم رضا المستخدم عن التقييم الذاتي المستمر للخدمة أو التطبيق المقدم له. يتنبأ نظام المقترح لقياس جودة الخدمة لدفق فيديو بدون مرجع. تقدم هذه الأطروحة مفهوم GRU-QoE ، وهو نموذج تنبؤ QoE قائم على الشبكة العصبية المتكرر باستخدام شبكة Gate Recurrent Unite (GRU). GRU-QoE عبارة عن شبكة من GRU المتتالية لالتقاط اللاخطية والاعتماديات الزمنية المعقدة المتضمنة في QoE المتغيرة بمرور الوقت. النموذج المقترح مستوحى من آلية عملية الديناميكيات غير الماركوفية لـ QoE ، والتي تُستخدم للتنبؤ بالحالة الحالية بناءً على الحالات السابقة. بالإضافة إلى ذلك ، يوضح النموذج أن الطبقة النهائية كثيفة مع تنشيط Softmax. تُستخدم وظيفة softmax كدالة تنشيط في طبقة الإخراج لنماذج الشبكة العصبية التي تتنبأ بالنماذج الاحتمالية متعددة الحدود. تتم مقارنة النموذج المقترح بأحدث نماذج التنبؤ بجودة الخدمة ويثبت أنه يتفوق عليها عبر LIVE Mobile Video Stall Database-II و LIVE QoE و LFOVIA QoE و LIVE Netflix datasets. ينظر نموذج التقييم إلى معامل الارتباط الخطي (LCC) ، ومعامل ارتباط ترتيب سبيرمان (SROCC) ، والخطأ المعياري الجذر (RMSE) ، ومعدل الانقطاع (OR) لمعرفة مدى جودة عمل التنبؤ بجودة الخدمة. تظهر المقارنات الإحصائية أن النموذج المقترح يتفوق على أحدث نماذج التنبؤ بجودة التجربة. تم إجراء العديد من التجارب على محتوى الفيديو والشبكات القياسية المختلفة. أظهرت النتائج تحسنًا في توقعات قيمة الجودة قريبة من تلك الخاصة بالمشاهد الفعلي. يعمل الحساب باستخدام الطريقة المقترحة على تحسين جودة نموذج NARX باستخدام تقييم LCC عبر قاعدة بيانات LIVE Netflix التي تم تحسينها بأكثر من 25.4٪ ، وتم تحسين SVR-QoE على قاعدة بيانات LFOVIA QoE بأكثر من 20.4٪ ، ونموذج Hammerstein-Wiener عبر تحسنت قاعدة بيانات LIVE QoE بأكثر من 15٪ ، ونموذج NLSS-QoE بواسطة LIVE Mobile Video Stall Database-II أكثر من 21٪.