用于视频质量评估的卷积神经网络
图像与视频处理
2018-09-27 v1 计算机视觉与模式识别
摘要
视频质量评估（VQA）由于其高度主观的性质而是一项极具挑战性的任务。此外，许多因素影响VQA。视频内容的压缩虽然对最小化传输和存储需求是必要的，但会引入失真，对感知质量产生不利影响。特别是在处理现代视频编码标准时，由于对不同内容类型编码的不可预测性，极难建模压缩效应。而且，传输还会引入延迟和其他影响感知质量的失真类型。因此，准确预测将通过现代内容分发平台分发的视频的感知质量将非常有益，从而可采取特定行动以最大化用户的体验质量（QoE）。基于特征提取和建模的传统VQA技术可能不够准确。本文引入了一种新颖的深度学习（DL）框架，基于端到端特征学习来有效预测视频内容分发机制的VQA。所提框架基于卷积神经网络，考虑了压缩失真以及传输延迟。所提框架的训练和评估在一个专门创建的用户标注VQA数据集上进行。实验表明，所提方法可实现高质量估计精度，展示了在复杂VQA场景中使用DL的潜力。
引用
@article{arxiv.1809.10117,
title = {Convolutional Neural Networks for Video Quality Assessment},
author = {Michalis Giannopoulos and Grigorios Tsagkatakis and Saverio Blasi and Farzad Toutounchi and Athanasios Mouchtaris and Panagiotis Tsakalides and Marta Mrak and Ebroul Izquierdo},
journal= {arXiv preprint arXiv:1809.10117},
year = {2018}
}
备注
Number of Pages: 12, Number of Figures: 17, Submitted to: Signal Processing: Image Communication (Elsevier)