CN111277899A - 基于短期记忆和用户期望的视频质量评价方法 - Google Patents
基于短期记忆和用户期望的视频质量评价方法 Download PDFInfo
- Publication number
- CN111277899A CN111277899A CN202010098992.1A CN202010098992A CN111277899A CN 111277899 A CN111277899 A CN 111277899A CN 202010098992 A CN202010098992 A CN 202010098992A CN 111277899 A CN111277899 A CN 111277899A
- Authority
- CN
- China
- Prior art keywords
- video
- quality
- subjective
- experience
- short
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
- H04N21/44213—Monitoring of end-user related data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/47—End-user applications
- H04N21/475—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data
- H04N21/4756—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data for rating content, e.g. scoring a recommended movie
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Social Psychology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明涉及一种基于短期记忆和用户期望的视频质量评价方法,通过主观实验,获取短期记忆形成的不同时长以及由于短期记忆后产生的用户期望对视频体验数据。最后通过数据分析及数学建模,来获取记忆形成时长和用户期望对视频体验质量的评价模型。本发明考虑了短期记忆和用户期望与视频质量的影响,能够获取更精准的视频质量评价。
Description
技术领域
本发明属于视频质量评估领域,具体涉及一种基于短期记忆和用户期望的视频质量评价方法。
背景技术
随着网络的快速发展,YouTube,Netflix等各大在线网络视频平台越发受到人们的欢迎。由于观看在线视频容易受到网络等因素的影响,其视频播放质量会产生波动,从而带给用户不同的体验质量。因此为给在线视频用户提供更好的服务,视频供应商需要对视频质量进行实时监控及评估。很多视频质量评价方法是基于图像质量评价方法而来的。但与图像不同的是,视频是具有时间域的,一个视频的质量在不同时刻可能存在波动,而图像的质量是固定的。因此在研究视频实时QoE时需要考虑到在时间域上的影响因素。而短期记忆主要作用在时间域中。
现有研究已表明记忆对视频体验质量存在着影响,并且一些学者利用记忆效应来提升预测QoE的准确性。记忆效应的作用是利用过去的经验来影响到当前的QoE。那么在预测当前QoE时,需要过去多长时间的经验,这是我们所要研究的。现有的研究考虑记忆效应时,是根据数学模型来获得记忆效应的影响最优时长。然而,目前人的记忆还无法用数学模型完备地描述,必定会存在误差。
发明内容
有鉴于此,本发明的目的在于提供一种基于短期记忆和用户期望的视频质量评价方法。
为实现上述目的,本发明采用如下技术方案:
一种基于短期记忆和用户期望的视频质量评价方法,包括以下步骤:
步骤S1:通过不同时长的前期体验视频表示短期记忆形成的不同时长,进行第一主观实验,并获取第一主观数据;
步骤S2:对获取的第一主观数据进行预处理,并且分析得到第一主观实验的实验结果;
步骤S3:基于第一主观实验的分析结果,设计并进行第二主观实验,获取短期记忆影响后形成的不同用户期望对后续视频体验的第二主观数据,其中用户期望用前期视频的内在质量表示;
步骤S4:对得到的第二主观数据进行预处理,经过训练模型,构建基于短期记忆形成时长和用户期望视频质量评价模型。
步骤S5:根据得到的模型,利用记忆形成时长和用户期望来预测当前视频的体验质量,其中记忆形成时长即前期视频的时长,用户期望即前期视频的内在质量;
进一步的,所述第一主观实验和第二主观实验均采用ITU-T P.911的11个等级绝对等级评分进行评分。
进一步的,所述第一主观实验具体如下:
步骤a1:将2min的源视频分为两个部分进行处理,前90s为前期体验视频,后30s作为当前体验视频;固定后30s的作为当前体验视频不变,改变前期体验视频的时长为15s、30s、45s、60s、90s;从而得到一组具有不同时长的前期体验视频的视频序列;
步骤a2:将前期体验视频的分辨率设置为640x360,当前体验视频的分辨率设置为1280x720,得到一组具有不同时长且质量变化的视频序列;
步骤a3:构建实验视频:
未受到短期记忆影响的视频:将上述构建的视频的固定后30s视频提出用于观察实验人员未受到短期记忆影响时的体验质量,与受到短期记忆影响后的体验质量作为对比,观察短期记忆的影响;
测试视频:即上述构建的一组具有不同时长且质量变化的视频序列;
步骤a4:实验环境满足ITU-R BT.500-13建议书里面的要求。采用ITU-T P.911建议的11个等级绝对等级评分对anchor video和test video进行评分,计算出anchor video对应的平均主观意见分以及test video中质量变换前后对应的平均主观意见分,完成视频质量主观评价,得到主观评价结果。
进一步的,所述步骤S2具体为:对获得的第一主观数据进行筛选,通过计算主观数据与MOS值的相关系数来去除异常数据,当相关系数小于0.7时,去除掉这个异常数据。
进一步的,所述第二主观实验具体为:
步骤b1:将第一主观实验中得到的,前期体验时长为15s、30s、45s三种时长下的未受到短期记忆影响的视频(anchor video)和测试视频(test video),作为第二主观实验的实验视频内容;并且将视频的质量变换程度进行重新设计,其质量变换包含向上切换、向下切换,以及不同的变化强度;
步骤b2:实验环境及评分准则与第一主观实验中步骤a4一致。
进一步的,所述步骤S4具体为:
步骤c1:首先对主观数据进行异常数据筛选,方法如步骤S2。
步骤c2:其次,将获得的实验数据按照80%为训练集,20%为测试集对数据进行训练模型。运用相关系数和均方根误差来验证模型的性能。可得到前期体验时长为15s、30s、45s下,用户期望值与主观质量之间的数学关系模型分别为:
Q15=-a1E+b1q+C1 (1)
Q30=-a2E+b2q+C2 (2)
Q45=-a3E+b3q+C3 (3)
式(1),(2),(3)分别对应前期体验时长为15s、30s、45s下,用户期望与主观质量之间的数学关系模型;E是由观看前期视频产生的期望值,由前期视频的体验质量决定;q是未受期望影响的视频体验质量,即视频内在质量;本模型利用SSIM来表示视频的内在质量;
步骤c3:定义期望影响指数R为期望所占的权重a与视频内在质量所占权重b的比;前期体验时长为15s、30s、45s下,对应的R分别为:0.248、0.330、0.360。得出前期体验时长t跟期望影响指数R的关系式:
R=0.377-0.353e-0.067t (4)
综合公式式(1),(2),(3),(4),得到用户期望E和记忆形成时长t对主观质量的数学关系模型:
Q=-R·E+q+C (5)
其中,期望影响指数R由式(4)所示,C为常数项。根据该模型,从而利用前期视频的时长和用户期望来预测当前视频的体验质量。
本发明与现有技术相比具有以下有益效果:
1、本发明通研究不同时长的形成的短期记忆对用户体验质量的影响,获取使得影响趋于稳定的短期记忆形成时长,有利于更加准确地利用前期质量来预测当前的体验质量
2、本发明这个稳定时长的基础上,研究受到短期记忆影响后形成的不同用户期望值对后续视频体验质量的影响,对用户期望实现了定量分析,进一步探索当前时刻视频质量评价。
附图说明
图1是本发明一实施例中主观实验视频构建示意图。
图2是本发明一实施例中主观实验流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本发明提供一种基于短期记忆和用户期望的视频质量评价方法,包括以下步骤:
步骤S1:通过不同时长的前期体验视频表示短期记忆形成的不同时长,进行第一主观实验,并获取第一主观数据;
步骤S2:对获取的第一主观数据进行预处理,并且分析得到第一主观实验的实验结果;
步骤S3:基于第一主观实验的分析结果,设计并进行第二主观实验,获取短期记忆影响后形成的不同用户期望对后续视频体验的第二主观数据,其中用户期望用前期视频的内在质量表示;
步骤S4:对得到的第二主观数据进行预处理,经过训练模型,构建基于短期记忆形成时长和用户期望视频质量评价模型。
步骤S5:根据得到的模型,利用记忆形成时长和用户期望来预测当前视频的体验质量,其中记忆形成时长即前期视频的时长,用户期望即前期视频的内在质量;
在本实施例中,所述第一主观实验和第二主观实验均采用ITU-T P.911的11个等级绝对等级评分进行评分,计算出每个视频场景中质量变换前后对应的平均主观意见分,完成视频质量主观评价,得到主观评价结果。
在本实施例中,第一主观实验为探究不同短期记忆形成时长对视频体验质量的影响。实验通过设计不同时长的前期体验视频,来表示短期记忆形成的不同时长。实验的视频处理主要包括:前期视频时长设置,视频质量的切换。主观实验过程,具体如下:
步骤a1、实验视频的构建:
①对源视频进行处理:将2min的源视频分为两个部分来处理视频:1、前90s为前期体验视频即形成短期记忆的视频(P-video)。根据实验目的将前期体验视频P-video剪切成不同的时长:15s、30s、45s、60s、90s。2、后30s作为当前体验视频(C-video)。由于分辨率从640x360到1280x720可以很及时且清楚地发现视频质量变化,故本发明选定这一组分辨率变化来研究前期体验视频形成的短期记忆对当前视频体验质量的影响。因此将P-video的分辨率设置为640x360,时长分别设为15s、30s、45s、60s、90s。C-video的分辨率设置为1280x720,时长固定为30s。视频内容是连续的。
②构建实验视频序列:将经过上述处理后,可构建测试视频(T-video)以及未受到短期记忆影响的视频(anchor video)。
未受到短期记忆影响的视频(anchor video):由C-video构成,时长为30s。用于观察实验人员未受到短期记忆影响时的体验质量,可与受到短期记忆影响后的体验质量作为对比,以观察短期记忆的影响。
测试视频(test video):由P-video与C-video组成一个视频序列作为测试视频,其中C-video用于观察受到短期记忆影响后的体验质量。由于P-video有5种时长:15s、30s、45s、60s、90s,C-video的时长固定为30s,所以T-video的时长有5种:45s、60s、75s、90s、120s。
步骤a2、实验环境及步骤设置:
实验环境满足ITU-R BT.500-13建议书里面的要求。测试设备为27英寸5k液晶显示器,由于源视频只有3840x2160的分辨率,所以将屏幕分辨率显示调到3840x2160。使用播放软件potplayer来播放视频。实验的测试人员共25人,其中男12人,女13人,均为非专业人员。年龄在20-25岁之间,视力均正常(含矫正后)。实验采用采用ITU-T P.911建议的11个等级绝对等级评分对anchor video和test video进行评分。实验步骤如下:
①首先实验人员观看视频原始4k视频和质量最差的视频。
②接下来再对所有的(anchor video)进行打分。实验视频序列随机播放。
③最后对T-video进行打分。在实验人员评分之前,会对实验人员说明评分规则“在观看过程中记录员会随时询问当前时刻的体验质量或者实验人员觉得视频质量有变化时可以直接报出分数”。实验人员是在看视频的过程中报分数,不会中断观看视频。每个实验视频序列随机播放。
步骤a3:计算出anchor video对应的平均主观意见分以及test video中质量变换前后对应的平均主观意见分,完成视频质量主观评价,得到主观评价结果。
在本发明一实施例中,所述步骤S2中,对第一主观实验的结果进行分析并得出结论。首先需要对获得的主观数据进行筛选。通过计算主观数据与MOS值的相关系数来去除异常数据。当相关系数小于0.7时,去除掉这个异常数据。相关系数采用:PLCC、KRCC、SRCC。其次将受短期记忆影响后的视频评分与未受短期记忆影响的视频评分作差值得到△MOS,通过比较前期体验时长为15s、30s、45s、60s、90s下△MOS的值,可以得出结论:短期记忆形成的时长越长影响越大,且在达到45s时,影响趋于稳定。
在本实施例中,所述步骤S3中,在第一主观实验中得到的稳定时长为45s的基础上,所述第二主观实验研究前期体验时长(即短期记忆形成时长)为15s、30s、45s下,短期记忆影响后形成的不同用户期望对后续视频体验质量的影响。具体为:
步骤b1:构建视频:
将第一主观实验中得到的,前期体验时长为15s、30s、45s三种时长下的未受到短期记忆影响的视频和测试视频,作为第二主观实验的实验视频内容;并且将视频的质量变换程度进行重新设计,其质量变换包含向上切换、向下切换,以及不同的变化强度;
步骤b2:实验环境及步骤与第一主观实验的实验步骤a2、a3一致。
表1视频质量变换模式
在本实施例中,所述步骤S4具体为:
步骤c1:首先对主观数据进行异常数据筛选,方法如步骤S2。
步骤c2:其次,将获得的实验数据按照80%为训练集,20%为测试集对数据进行训练模型。运用相关系数和均方根误差来验证模型的性能。可得到前期体验时长为15s、30s、45s下,用户期望值与主观质量之间的数学关系模型分别为:
Q15=-a1E+b1q+C1 (1)
Q30=-a2E+b2q+C2 (2)
Q45=-a3E+b3q+C3 (3)
式(1),(2),(3)分别对应前期体验时长为15s、30s、45s下,用户期望与主观质量之间的数学关系模型;E是由观看前期视频产生的期望值,由前期视频的内在质量决定;q是未受期望影响的视频体验质量,即视频内在质量;本模型利用SSIM来表示视频的内在质量;
步骤c3:定义期望影响指数R为期望所占的权重a与视频内在质量所占权重b的比;前期体验时长为15s、30s、45s下,对应的R分别为:0.248、0.330、0.360。得出前期体验时长t跟期望影响指数R的关系式:
R=0.377-0.353e-0.067t (4)
综合公式式(1),(2),(3),(4),得到用户期望E和记忆形成时长t对主观质量的数学关系模型:
Q=-R·E+q+C (5)
其中,期望影响指数R由式(4)所示,C为常数项。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (6)
1.一种基于短期记忆和用户期望的视频质量评价方法,其特征在于,包括以下步骤:
步骤S1:通过不同时长的前期体验视频表示短期记忆形成的不同时长,进行第一主观实验,并获取第一主观数据;
步骤S2:对获取的第一主观数据进行预处理,并且分析得到第一主观实验的实验结果;
步骤S3:基于第一主观实验的分析结果,设计并进行第二主观实验,获取短期记忆影响后形成的不同用户期望对后续视频体验的第二主观数据,其中用户期望用前期视频的内在质量表示;
步骤S4:对得到的第二主观数据进行预处理,经过训练模型,构建基于短期记忆形成时长和用户期望视频质量评价模型;
步骤S5:根据得到的模型,利用记忆形成时长和用户期望来预测当前视频的体验质量。
2.根据权利要求1所述的基于短期记忆和用户期望的视频质量评价方法,其特征在于:所述第一主观实验和第二主观实验均采用ITU-T P.911的11个等级绝对等级评分进行评分。
3.根据权利要求1所述的基于短期记忆和用户期望的视频质量评价方法,其特征在于,所述第一主观实验具体如下:
步骤a1:将2min的源视频分为两个部分进行处理,前90s为前期体验视频,后30s作为当前体验视频;固定后30s的作为当前体验视频不变,改变前期体验视频的时长为15s、30s、45s、60s、90s;从而得到一组具有不同时长的前期体验视频的视频序列;
步骤a2:将前期体验视频的分辨率设置为640x360,当前体验视频的分辨率设置为1280x720,得到一组具有不同时长且质量变化的视频序列;
步骤a3:构建实验视频:
未受到短期记忆影响的视频:将上述构建的视频的固定后30s视频提出用于观察实验人员未受到短期记忆影响时的体验质量,与受到短期记忆影响后的体验质量作为对比,观察短期记忆的影响;
测试视频:即上述构建的一组具有不同时长且质量变化的视频序列;
步骤a4:采用ITU-T P.911建议的11个等级绝对等级评分对anchor video和testvideo进行评分,计算出anchor video对应的平均主观意见分以及test video中质量变换前后对应的平均主观意见分,完成视频质量主观评价,得到主观评价结果。
4.根据权利要求1所述的基于短期记忆和用户期望的视频质量评价方法,其特征在于,所述步骤S2具体为: 对获得的第一主观数据进行筛选,通过计算主观数据与MOS值的相关系数来去除异常数据,当相关系数小于0.7时,去除掉这个异常数据,并分析处理后的数据得出结果。
5.根据权利要求3所述的基于短期记忆和用户期望的视频质量评价方法,其特征在于,所述第二主观实验具体为:
步骤b1: 构建实验视频:
将第一主观实验中得到的,前期体验时长为15s、30s、45s三种时长下的未受到短期记忆影响的视频和测试视频,作为第二主观实验的实验视频内容;并且将视频的质量变换程度进行重新设计,其质量变换包含向上切换、向下切换,以及不同的变化强度;
步骤b2:采用ITU-T P.911建议的11个等级绝对等级评分对anchor video和testvideo进行评分,计算出anchor video对应的平均主观意见分以及test video中质量变换前后对应的平均主观意见分,完成视频质量主观评价,得到主观评价结果。
6.根据权利要求5所述的基于短期记忆和用户期望的视频质量评价方法,其特征在于,所述步骤S4具体为:
步骤c1:对主观数据进行异常数据筛选;
步骤c2:将获得的实验数据按照80%为训练集,20%为测试集对数据进行训练模型,运用相关系数和均方根误差来验证模型的性能,得到前期体验时长为15s、30s、45s下,用户期望值与主观质量之间的数学关系模型分别为:
式(1),(2),(3)分别对应前期体验时长为15s、30s、45s下,用户期望与主观质量之间的数学关系模型;E是由观看前期视频产生的期望值,由前期视频的内在质量决定;q是未受期望影响的视频体验质量,即当前视频的内在质量;
步骤c3:定义期望影响指数R为期望所占的权重a与视频内在质量所占权重b的比;前期体验时长为15s、30s、45s下,对应的R分别为:0.248、0.330、0.360;得出前期体验时长t跟期望影响指数R的关系式:
综合公式式(1),(2),(3),(4),得到用户期望E和记忆形成时长t对主观质量的数学关系模型:
其中,期望影响指数R由式(4)所示,C为常数项。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010098992.1A CN111277899B (zh) | 2020-02-18 | 2020-02-18 | 基于短期记忆和用户期望的视频质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010098992.1A CN111277899B (zh) | 2020-02-18 | 2020-02-18 | 基于短期记忆和用户期望的视频质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111277899A true CN111277899A (zh) | 2020-06-12 |
CN111277899B CN111277899B (zh) | 2021-06-22 |
Family
ID=71002214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010098992.1A Active CN111277899B (zh) | 2020-02-18 | 2020-02-18 | 基于短期记忆和用户期望的视频质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111277899B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101788A (zh) * | 2020-09-15 | 2020-12-18 | 福州大学 | 基于长期记忆的视频QoE评价***及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101404778A (zh) * | 2008-07-16 | 2009-04-08 | 河北师范大学 | 综合的无参考视频质量评价方法 |
CN103442245A (zh) * | 2011-12-29 | 2013-12-11 | 特克特朗尼克公司 | 预测视频中的记忆和直观色彩的感知差异的方法 |
CN104796690A (zh) * | 2015-04-17 | 2015-07-22 | 浙江理工大学 | 一种基于人脑记忆模型的无参考视频质量评价方法 |
US20150243325A1 (en) * | 2014-02-24 | 2015-08-27 | Lyve Minds, Inc. | Automatic generation of compilation videos |
US20180167620A1 (en) * | 2016-12-12 | 2018-06-14 | Netflix, Inc. | Device-consistent techniques for predicting absolute perceptual video quality |
CN108235001A (zh) * | 2018-01-29 | 2018-06-29 | 上海海洋大学 | 一种基于时空特征的深海视频质量客观评价模型 |
US10382829B1 (en) * | 2018-03-23 | 2019-08-13 | Rovi Guides, Inc. | Systems and methods for prompting a user to view an important event in a media asset when the user is using another application |
CN110366043A (zh) * | 2019-08-20 | 2019-10-22 | 北京字节跳动网络技术有限公司 | 视频处理方法、装置、电子设备及可读介质 |
CN110502665A (zh) * | 2019-08-27 | 2019-11-26 | 北京百度网讯科技有限公司 | 视频处理方法和装置 |
-
2020
- 2020-02-18 CN CN202010098992.1A patent/CN111277899B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101404778A (zh) * | 2008-07-16 | 2009-04-08 | 河北师范大学 | 综合的无参考视频质量评价方法 |
CN103442245A (zh) * | 2011-12-29 | 2013-12-11 | 特克特朗尼克公司 | 预测视频中的记忆和直观色彩的感知差异的方法 |
US20150243325A1 (en) * | 2014-02-24 | 2015-08-27 | Lyve Minds, Inc. | Automatic generation of compilation videos |
CN104796690A (zh) * | 2015-04-17 | 2015-07-22 | 浙江理工大学 | 一种基于人脑记忆模型的无参考视频质量评价方法 |
US20180167620A1 (en) * | 2016-12-12 | 2018-06-14 | Netflix, Inc. | Device-consistent techniques for predicting absolute perceptual video quality |
CN108235001A (zh) * | 2018-01-29 | 2018-06-29 | 上海海洋大学 | 一种基于时空特征的深海视频质量客观评价模型 |
US10382829B1 (en) * | 2018-03-23 | 2019-08-13 | Rovi Guides, Inc. | Systems and methods for prompting a user to view an important event in a media asset when the user is using another application |
CN110366043A (zh) * | 2019-08-20 | 2019-10-22 | 北京字节跳动网络技术有限公司 | 视频处理方法、装置、电子设备及可读介质 |
CN110502665A (zh) * | 2019-08-27 | 2019-11-26 | 北京百度网讯科技有限公司 | 视频处理方法和装置 |
Non-Patent Citations (2)
Title |
---|
MOHAMMED A. AABED等: "PeQASO: Perceptual Quality Assessment of Streamed Videos Using Optical Flow Features", 《IEEE TRANSACTIONS ON BROADCASTING》 * |
于世朋: "基于记忆效应的HAS移动流媒体QoE评价研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101788A (zh) * | 2020-09-15 | 2020-12-18 | 福州大学 | 基于长期记忆的视频QoE评价***及方法 |
CN112101788B (zh) * | 2020-09-15 | 2022-04-12 | 福州大学 | 基于长期记忆的视频QoE评价***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111277899B (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ghadiyaram et al. | In-capture mobile video distortions: A study of subjective behavior and objective algorithms | |
CN107027023B (zh) | 基于神经网络的VoIP无参考视频通信质量客观评价方法 | |
Ghadiyaram et al. | Study of the effects of stalling events on the quality of experience of mobile streaming videos | |
Liu et al. | Deriving and validating user experience model for DASH video streaming | |
CN109451303B (zh) | 一种针对VR视频中用户体验质量QoE的建模方法 | |
CN102904773B (zh) | 一种网络业务质量的测量方法和装置 | |
Watson et al. | Measurement of visual impairment scales for digital video | |
CN106604078B (zh) | 一种网络视频推荐方法及装置 | |
CN104796690B (zh) | 一种基于人脑记忆模型的无参考视频质量评价方法 | |
CN103414915A (zh) | 一种网站上传视频质量评价方法及装置 | |
Yim et al. | Subjective quality assessment for youtube ugc dataset | |
Yao et al. | Bitrate-based no-reference video quality assessment combining the visual perception of video contents | |
CN111277899B (zh) | 基于短期记忆和用户期望的视频质量评价方法 | |
CN108055533B (zh) | 一种针对全景视频的主观质量评价方法 | |
Singla et al. | Assessing media qoe, simulator sickness and presence for omnidirectional videos with different test protocols | |
CN114332088B (zh) | 一种基于运动估计的全参考视频质量评估方法 | |
WO2018153161A1 (zh) | 一种视频质量评价方法及装置、设备、存储介质 | |
Chen et al. | QoE evaluation for live broadcasting video | |
Menkovski et al. | Tackling the sheer scale of subjective QoE | |
CN111355949B (zh) | 音视频多媒体数据库的构建及多媒体主观质量评价方法 | |
CN112101788B (zh) | 基于长期记忆的视频QoE评价***及方法 | |
Martinez et al. | A no-reference autoencoder video quality metric | |
Salvador et al. | QoE assessment of HTTP adaptive video streaming | |
Yeganeh et al. | Joint effect of stalling and presentation quality on the quality-of-experience of streaming videos | |
Ning et al. | A novel QoS-based QoE evaluation method for streaming video service |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |