CN110138594A - 基于深度学习的视频质量评价方法和服务器 - Google Patents

基于深度学习的视频质量评价方法和服务器 Download PDF

Info

Publication number
CN110138594A
CN110138594A CN201910290548.7A CN201910290548A CN110138594A CN 110138594 A CN110138594 A CN 110138594A CN 201910290548 A CN201910290548 A CN 201910290548A CN 110138594 A CN110138594 A CN 110138594A
Authority
CN
China
Prior art keywords
deep learning
video
video quality
parameter
network
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
Application number
CN201910290548.7A
Other languages
English (en)
Other versions
CN110138594B (zh
Inventor
洪涛
程明传
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou Rockchip Electronics Co Ltd
Original Assignee
Fuzhou Rockchip Electronics Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuzhou Rockchip Electronics Co Ltd filed Critical Fuzhou Rockchip Electronics Co Ltd
Priority to CN201910290548.7A priority Critical patent/CN110138594B/zh
Publication of CN110138594A publication Critical patent/CN110138594A/zh
Application granted granted Critical
Publication of CN110138594B publication Critical patent/CN110138594B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/04—Network management architectures or arrangements
    • H04L41/044—Network management architectures or arrangements comprising hierarchical management structures
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0896—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
    • H04L65/60—Network streaming of media packets
    • H04L65/75—Media network packet handling
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
    • H04L65/80—Responding to QoS

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开基于深度学习的视频质量评价方法和服务器，其中方法包括如下步骤：载入用于视频质量评价的深度学习模型；根据深度学习模型实时计算当前终端的视频质量得分；实时计算当前终端的带宽；载入视频质量动态均衡策略，所述动态均衡策略为视频参数与视频质量得分和带宽之间的均衡策略；根据动态均衡策略动态重新分配视频参数。上述技术方案根据深度学习模型可以实时计算出视频质量，而后可以实现快速准确的视频质量评价，根据均衡策略，可以实现对终端视频的动态调整，从而提高终端视频质量。

Description

基于深度学习的视频质量评价方法和服务器
技术领域
本发明涉及深度学习技术领域，尤其涉及基于深度学习的视频质量评价方法和服务器。
背景技术
随着4G通信网络和智能手机的普及，移动互联网引领着互联网的发展。互联网承载的主体流量不再是文本和音频，而是流媒体视频、直播业务、在线教育、视频会议等。编码器(H264/H265/VP9等)如果视频编码参数设置失当，将导致视频失真。视频失真现象体现在块效应(Blocking)、模糊效应(Bluring)和振铃效应(Ringing)等。对于流媒体业务的视频质量评价和实时监控是亟待解决的难题。目前，业界一般有以下典型实践:使用专家经验和理论计算为基础严格限制视频服务器编码参数作为最佳实践；使用客观视频质量评价指标为基础给出视频服务器编码参数作为最佳实践；使用主观视频质量评价指标为基础给出视频服务器编码参数作为最佳实践。专家经验和理论计算存在实践盲区，大范围部署系统不可预见的脆弱性；客观视频质量评价指标(峰值信噪比-PSNR和结构相似性-SSIM)无法反映人眼视觉特性，评价有失偏颇；主观视频质量评价指标在大规模随机流媒体系统的可行性和性价比很低。
深度学习广义上属于机器学习和人工智能的一种算法。深度学习技术的演化历程是：单层感知机、神经网络(多层感知机)和深度学习(卷积+多层感知)。深度学习的基本原理是：由若干卷积层串联构成网络；数据流仅仅在相邻层间交换；数据处理使用卷积操作，参数局部共享，逐层卷积的效果就是分层特征提取；卷积可以提取图像的空间特征，多层卷积可以逐层提取特征，即低级特征、中级特征和高级特征。网络中除了卷积层还包含池化层和全连接层，用于数据分类任务。关于深度学习和卷积网络更多细节，请参考：http://cs231n.github.io/convolutional-networks/
发明内容
为此，需要提供基于深度学习的视频质量评价方法和服务器，解决现有视频等多媒体无法实现快速准确评价而无法实现视频质量调整的问题。
为实现上述目的，发明人提供了基于深度学习的视频质量评价方法，包括如下步骤：
载入用于视频质量评价的深度学习模型；
根据深度学习模型实时计算当前终端的视频质量得分；
实时计算当前终端的带宽；
载入视频质量动态均衡策略，所述动态均衡策略为视频参数与视频质量得分和带宽之间的均衡策略；
根据动态均衡策略动态重新分配视频参数。
进一步地，所述深度学习模型的生成包括如下步骤：
选择一种或者多种的客观视频质量评价指标；
构建深度学习网络；
采用监督、半监督或无监督等方式预先训练深度学习网络，使得深度学习网络模型的优化目标为：与主观质量评价指标呈线性关系；
输出深度学习模型和相关性指标。
进一步地，所述客观视频质量评价指标包括：
均方误差、峰值信噪比、结构相似性指数、多尺度结构相似性指数、视觉信息保真度、最明显失真、特征相似性测量、彩色图像的特征相似性度量、动态范围独立测量或色调映射图像质量指数。
进一步地，所述深度学习网络包括卷积层、非线性Relu层、池化层或全连接层。
进一步地，所述视频参数包含编码参数或者网络参数，所述动态均衡策略包括如下步骤：
计算编码参数调整能够增加视频质量的潜力值；
计算网络参数调整能够增加视频质量的潜力值；
优先调整网络参数以提高视频服务质量；
次级调整服务器编码参数以提高视频服务质量。
本发明提供基于深度学习的视频质量评价服务器，包括如下模块：评估模块，策略模块和派发模块，其中：
评估模块用于载入用于视频质量评价的深度学习模型，根据深度学习模型实时计算当前终端的视频质量得分，实时计算当前终端的带宽；
策略模块用于载入视频质量动态均衡策略，所述动态均衡策略为视频参数与视频质量得分和带宽之间的均衡策略；
派发模块用于根据动态均衡策略动态重新分配视频参数。
进一步地，还包括深度学习模型的生成模块，所述生成模块用于选择一种或者多种的客观视频质量评价指标，构建深度学习网络，采用监督、半监督或无监督等方式预先训练深度学习网络，使得深度学习网络模型的优化目标为：与主观质量评价指标呈线性关系，输出深度学习模型和相关性指标。
进一步地，所述客观视频质量评价指标包括：
均方误差、峰值信噪比、结构相似性指数、多尺度结构相似性指数、视觉信息保真度、最明显失真、特征相似性测量、彩色图像的特征相似性度量、动态范围独立测量或色调映射图像质量指数。
进一步地，所述深度学习网络包括卷积层、非线性Relu层、池化层或全连接层。
进一步地，所述视频参数包含编码参数或者网络参数，所述策略模块还用于计算编码参数调整能够增加视频质量的潜力值，计算网络参数调整能够增加视频质量的潜力值，优先调整网络参数以提高视频服务质量，次级调整服务器编码参数以提高视频服务质量。
区别于现有技术，上述技术方案根据深度学习模型可以实时计算出视频质量，而后可以实现快速准确的视频质量评价，根据均衡策略，可以实现对终端视频的动态调整，从而提高终端视频质量。
附图说明
图1为本发明视频质量评价和调整的方法流程图；
图2为本发明深度学习模型的生成方法流程图；
图3为本发明视频参数的调整方法流程图；
图4为本发明的服务器结构示意图。
附图标记说明：
401、服务器；
402、视频终端；
403、评估模块；
404、策略模块；
405、派发模块。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。
请参阅图1到图4，本实施例提供基于深度学习的视频质量评价方法，可以应用于视频服务器上，视频服务器用于将视频流发送给与之连接的视频终端，视频终端用于显示视频。包括如下步骤：步骤S101载入用于视频质量评价的深度学习模型；步骤S102根据深度学习模型实时计算当前终端的视频质量得分；步骤S103实时计算当前终端的带宽；步骤S104载入视频质量动态均衡策略，所述动态均衡策略为视频参数与视频质量得分和带宽之间的均衡策略。动态均衡策略为的就是让服务器在步骤S105保持当前终端的最佳视频体验。步骤S106根据动态均衡策略动态重新分配视频参数，保证最佳视频体验。本发明所说的最佳并不指显示效果的实际最佳，而是动态均衡策略中的最佳策略，从而达到较好的视频显示效果和质量。这样根据深度学习模型可以实时计算出每个视频终端的视频质量，而后可以实现快速准确的视频质量评价，根据均衡策略，可以实现对终端视频的动态调整，从而提高终端视频质量。
为了实现深度学习模块的生成，所述深度学习模型的生成包括如下步骤：步骤S201选择一种或者多种的客观视频质量评价指标；步骤S202构建深度学习网络；步骤S203采用监督、半监督或无监督等方式预先训练深度学习网络，使得深度学习网络模型的优化目标为：与主观质量评价指标(DMOS)呈线性关系；步骤S204输出深度学习模型和步骤S205输出相关性指标，所述相关性指标为与深度学习模型相关的指标。这样生成的深度学习模块的质量分数与主观质量评价呈现线性关系，使用深度学习模块的指标可以完全模拟主观质量评价，保证结果准确性。在深度学习网络的网络模型训练阶段，网络模型的优化目标是：模型的视频质量评价分数和主观质量评价指标(DMOS)的呈现线性关系，可选的优化函数是：批量梯度下降(BGD)、随机梯度下降(SGD)、小批量梯度下降(MBGD)、RMSprop、Adadelta或者Adam。
在某些实施例中，所述客观视频质量评价指标包括：均方误差(MSE)，峰值信噪比(PSNR),结构相似性指数(SSIM)，多尺度结构相似性指数(MS-SSIM)，视觉信息保真度(VIF)，最明显失真(MAD)，特征相似性测量(FSIM)，彩色图像的特征相似性度量(FSIMC)，动态范围独立测量(DRIM)和色调映射图像质量指数(TMQI)。可以任选上述的一种或者多种用于深度学习网络。
作为可选实施例，所述深度学习网络包括卷积层、非线性Relu层、池化层或全连接层。网络层数越多，网络越深，其效果越好。深度学习网络结构可以采用但不限于ALexNet、深度残差网络(Deep Residual Network，ResNet)或VGGnet(Visual Geometry GroupNetwork)等网络的结构。
为了实现较好调整效果，所述视频参数包含编码参数或者网络参数，所述动态均衡策略包括如下步骤：步骤S301：计算编码参数调整能够增加视频质量的潜力值；如果受到服务器能力限制，则潜力值为0，即编码参数没有调整的潜力。步骤S302计算网络参数调整能够增加视频质量的潜力值；如果网络中任一环节有限制，则潜力值为0，即网络参数没有调整潜力。步骤S303优先调整网络参数以提高视频服务质量；步骤S304次级调整服务器编码参数以提高视频服务质量，即优先判断网络参数潜力值是否大于0，如果大于零就调整网络参数，否则判断编码参数潜力值是否大于0，如果大于0则进行调整。网络参数的调整可以避免卡顿，编码参数的调整可以提高视频显示质量，优先调整网络参数这样可以实现较好的调整效果，避免出现卡顿现象。
在调整时，还可以进行持续性调整，则在步骤S304后还包括步骤S305持续调整，可以预设满足条件，当满足该条件则触发调整。如满足的条件可以是间隔一段时间，则每间隔一段时间就调整一下。满足条件或者是服务器、视频终端性能指标满足某一条件，如服务器负载达到某一指标进行调整等。这样可以持续性调整，实现终端视频质量的持续性优化。
如图4所示，本发明提供基于深度学习的视频质量评价服务器401，可以与多个视频终端402连接，服务器用于将视频流发送给视频终端，视频终端用于根据视频流显示视频。包括如下模块：评估模块403，策略模块404和派发模块405，其中：评估模块用于载入用于视频质量评价的深度学习模型，根据深度学习模型实时计算当前终端的视频质量得分，实时计算当前终端的带宽；策略模块用于载入视频质量动态均衡策略，所述动态均衡策略为视频参数与视频质量得分和带宽之间的均衡策略；派发模块用于根据动态均衡策略动态重新分配视频参数。这样根据深度学习模型可以实时计算出每个视频终端的视频质量，而后可以实现快速准确的视频质量评价，根据均衡策略，可以实现对终端视频的动态调整，从而提高终端视频质量。
在某些实施例中，还包括深度学习模型的生成模块，在某些实施例中，所述生成模块可以为服务器外部模块，即可以在服务器外生成深度学习模型后部署到服务器上。所述生成模块用于选择一种或者多种的客观视频质量评价指标，构建深度学习网络，采用监督、半监督或无监督等方式预先训练深度学习网络，使得深度学习网络模型的优化目标为：与主观质量评价指标呈线性关系，输出深度学习模型和相关性指标。这样生成的深度学习模块的质量分数与主观质量评价呈现线性关系，使用深度学习模块的指标可以完全模拟主观质量评价，保证结果准确性。
作为可选的实施例，为了反映视频质量，所述客观视频质量评价指标包括：均方误差、峰值信噪比、结构相似性指数、多尺度结构相似性指数、视觉信息保真度、最明显失真、特征相似性测量、彩色图像的特征相似性度量、动态范围独立测量或色调映射图像质量指数。
为了实现深度学习网络的构建，所述深度学习网络包括卷积层、非线性Relu层、池化层或全连接层。
在实现视频参数的调整时，所述视频参数包含编码参数或者网络参数，所述策略模块还用于计算编码参数调整能够增加视频质量的潜力值，计算网络参数调整能够增加视频质量的潜力值，优先调整网络参数以提高视频服务质量，次级调整服务器编码参数以提高视频服务质量。这样可以优化调整顺序，实现较好调整效果。
需要说明的是，尽管在本文中已经对上述各实施例进行了描述，但并非因此限制本发明的专利保护范围。因此，基于本发明的创新理念，对本文所述实施例进行的变更和修改，或利用本发明说明书及附图内容所作的等效结构或等效流程变换，直接或间接地将以上技术方案运用在其他相关的技术领域，均包括在本发明的专利保护范围之内。

Claims (10)

1.基于深度学习的视频质量评价方法，其特征在于，包括如下步骤：
载入用于视频质量评价的深度学习模型；
根据深度学习模型实时计算当前终端的视频质量得分；
实时计算当前终端的带宽；
载入视频质量动态均衡策略，所述动态均衡策略为视频参数与视频质量得分和带宽之间的均衡策略；
根据动态均衡策略动态重新分配视频参数。
2.根据权利要求1所述的基于深度学习的视频质量评价方法，其特征在于，所述深度学习模型的生成包括如下步骤：
选择一种或者多种的客观视频质量评价指标；
构建深度学习网络；
采用监督、半监督或无监督等方式预先训练深度学习网络，使得深度学习网络模型的优化目标为：与主观质量评价指标呈线性关系；
输出深度学习模型和相关性指标。
3.根据权利要求2所述的基于深度学习的视频质量评价方法，其特征在于，所述客观视频质量评价指标包括：
均方误差、峰值信噪比、结构相似性指数、多尺度结构相似性指数、视觉信息保真度、最明显失真、特征相似性测量、彩色图像的特征相似性度量、动态范围独立测量或色调映射图像质量指数。
4.根据权利要求2所述的基于深度学习的视频质量评价方法，其特征在于，所述深度学习网络包括卷积层、非线性Relu层、池化层或全连接层。
5.根据权利要求1所述的基于深度学习的视频质量评价方法，其特征在于，所述视频参数包含编码参数或者网络参数，所述动态均衡策略包括如下步骤：
计算编码参数调整能够增加视频质量的潜力值；
计算网络参数调整能够增加视频质量的潜力值；
优先调整网络参数以提高视频服务质量；
次级调整服务器编码参数以提高视频服务质量。
6.基于深度学习的视频质量评价服务器，其特征在于，包括如下模块：评估模块，策略模块和派发模块，其中：
评估模块用于载入用于视频质量评价的深度学习模型，根据深度学习模型实时计算当前终端的视频质量得分，实时计算当前终端的带宽；
策略模块用于载入视频质量动态均衡策略，所述动态均衡策略为视频参数与视频质量得分和带宽之间的均衡策略；
派发模块用于根据动态均衡策略动态重新分配视频参数。
7.根据权利要求6所述的基于深度学习的视频质量评价服务器，其特征在于，还包括深度学习模型的生成模块，所述生成模块用于选择一种或者多种的客观视频质量评价指标，构建深度学习网络，采用监督、半监督或无监督等方式预先训练深度学习网络，使得深度学习网络模型的优化目标为：与主观质量评价指标呈线性关系，输出深度学习模型和相关性指标。
8.根据权利要求7所述的基于深度学习的视频质量评价服务器，其特征在于，所述客观视频质量评价指标包括：
均方误差、峰值信噪比、结构相似性指数、多尺度结构相似性指数、视觉信息保真度、最明显失真、特征相似性测量、彩色图像的特征相似性度量、动态范围独立测量或色调映射图像质量指数。
9.根据权利要求7所述的基于深度学习的视频质量评价服务器，其特征在于，所述深度学习网络包括卷积层、非线性Relu层、池化层或全连接层。
10.根据权利要求6所述的基于深度学习的视频质量评价服务器，其特征在于，所述视频参数包含编码参数或者网络参数，所述策略模块还用于计算编码参数调整能够增加视频质量的潜力值，计算网络参数调整能够增加视频质量的潜力值，优先调整网络参数以提高视频服务质量，次级调整服务器编码参数以提高视频服务质量。
CN201910290548.7A 2019-04-11 2019-04-11 基于深度学习的视频质量评价方法和服务器 Active CN110138594B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910290548.7A CN110138594B (zh) 2019-04-11 2019-04-11 基于深度学习的视频质量评价方法和服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910290548.7A CN110138594B (zh) 2019-04-11 2019-04-11 基于深度学习的视频质量评价方法和服务器

Publications (2)

Publication Number Publication Date
CN110138594A true CN110138594A (zh) 2019-08-16
CN110138594B CN110138594B (zh) 2022-04-19

Family

ID=67569619

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910290548.7A Active CN110138594B (zh) 2019-04-11 2019-04-11 基于深度学习的视频质量评价方法和服务器

Country Status (1)

Country Link
CN (1) CN110138594B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110532418A (zh) * 2019-09-04 2019-12-03 上海原圈网络科技有限公司 一种高净值行业ai智能设计系统
CN110958467A (zh) * 2019-11-21 2020-04-03 清华大学 视频质量预测方法和装置及电子设备
CN111028199A (zh) * 2019-11-09 2020-04-17 天津大学 一种基于端到端的质量评价机制的色调映射方法
CN114727320A (zh) * 2022-04-15 2022-07-08 中国联合网络通信集团有限公司 网络的用户感知评测方法及其装置、电子设备和存储介质
CN117078475A (zh) * 2023-10-18 2023-11-17 北京百颐东方教育科技有限公司 基于互联网的远程在线教育培训模型管理方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103338379A (zh) * 2013-06-05 2013-10-02 宁波大学 一种基于机器学习的立体视频客观质量评价方法
CN104410860A (zh) * 2014-11-28 2015-03-11 北京航空航天大学 一种高清roi视频实时质量调节的方法
US20160021376A1 (en) * 2014-07-17 2016-01-21 The British Academy of Film and Television Arts Measurement of video quality
CN106791927A (zh) * 2016-12-23 2017-05-31 福建帝视信息科技有限公司 一种基于深度学习的视频增强与传输方法
CN107959848A (zh) * 2017-12-08 2018-04-24 天津大学 基于三维卷积神经网络的通用型无参考视频质量评价算法
US20180183684A1 (en) * 2016-12-28 2018-06-28 Google Inc. Auto-prioritization of device traffic across local network
CN108337504A (zh) * 2018-01-30 2018-07-27 中国科学技术大学 一种评价视频质量的方法及装置
CN109120924A (zh) * 2018-10-30 2019-01-01 宁波菊风系统软件有限公司 一种实时视频通信的质量评价方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103338379A (zh) * 2013-06-05 2013-10-02 宁波大学 一种基于机器学习的立体视频客观质量评价方法
US20160021376A1 (en) * 2014-07-17 2016-01-21 The British Academy of Film and Television Arts Measurement of video quality
CN104410860A (zh) * 2014-11-28 2015-03-11 北京航空航天大学 一种高清roi视频实时质量调节的方法
CN106791927A (zh) * 2016-12-23 2017-05-31 福建帝视信息科技有限公司 一种基于深度学习的视频增强与传输方法
US20180183684A1 (en) * 2016-12-28 2018-06-28 Google Inc. Auto-prioritization of device traffic across local network
CN107959848A (zh) * 2017-12-08 2018-04-24 天津大学 基于三维卷积神经网络的通用型无参考视频质量评价算法
CN108337504A (zh) * 2018-01-30 2018-07-27 中国科学技术大学 一种评价视频质量的方法及装置
CN109120924A (zh) * 2018-10-30 2019-01-01 宁波菊风系统软件有限公司 一种实时视频通信的质量评价方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110532418A (zh) * 2019-09-04 2019-12-03 上海原圈网络科技有限公司 一种高净值行业ai智能设计系统
CN111028199A (zh) * 2019-11-09 2020-04-17 天津大学 一种基于端到端的质量评价机制的色调映射方法
CN110958467A (zh) * 2019-11-21 2020-04-03 清华大学 视频质量预测方法和装置及电子设备
CN114727320A (zh) * 2022-04-15 2022-07-08 中国联合网络通信集团有限公司 网络的用户感知评测方法及其装置、电子设备和存储介质
CN117078475A (zh) * 2023-10-18 2023-11-17 北京百颐东方教育科技有限公司 基于互联网的远程在线教育培训模型管理方法
CN117078475B (zh) * 2023-10-18 2023-12-15 北京百颐东方教育科技有限公司 基于互联网的远程在线教育培训模型管理方法

Also Published As

Publication number Publication date
CN110138594B (zh) 2022-04-19

Similar Documents

Publication Publication Date Title
CN110138594A (zh) 基于深度学习的视频质量评价方法和服务器
CN100568972C (zh) 视频品质评估设备和方法
Mu et al. Framework for the integrated video quality assessment
Bampis et al. Towards perceptually optimized adaptive video streaming-a realistic quality of experience database
CN105430383A (zh) 一种视频流媒体业务的体验质量评估方法
Aguiar et al. A real-time video quality estimator for emerging wireless multimedia systems
CN107211193A (zh) 感知体验质量估计驱动的智能适应视频流传输方法和系统
US20160021376A1 (en) Measurement of video quality
US10999578B2 (en) Transcoding media content using an aggregated quality score
CN107481209B (zh) 一种基于卷积神经网络的图像或视频质量增强方法
CN106454437B (zh) 一种流媒体业务速率预测方法及装置
Bondzulic et al. Performance of peak signal‐to‐noise ratio quality assessment in video streaming with packet losses
CN114513655A (zh) 直播视频质量评价方法、视频质量的调整方法及相关装置
Rehman et al. Perceptual experience of time-varying video quality
CN105049930A (zh) 基于支持向量机的无线视频流业务QoE评估方法
US11039146B2 (en) Visual artifact detector
CN114598864A (zh) 一种基于深度学习的全参考超高清视频质量客观评价方法
Seufert et al. Impact of test condition selection in adaptive crowdsourcing studies on subjective quality
CN103414889A (zh) 一种基于双目恰可察觉失真的立体视频码率控制方法
CN103442245A (zh) 预测视频中的记忆和直观色彩的感知差异的方法
CN115550658A (zh) 基于智慧校园管理平台的数据传输方法
CN111614962B (zh) 一种基于区域块级jnd预测的感知图像压缩方法
Shi et al. Network video quality assessment method using fuzzy decision tree
CN109756730B (zh) 基于视频的评测处理方法、装置、智能设备及存储介质
Sevcik et al. Prediction of subjective video quality based on objective assessment

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 350003 building 18, No.89, software Avenue, Gulou District, Fuzhou City, Fujian Province

Applicant after: Ruixin Microelectronics Co.,Ltd.

Address before: 350003 building 18, No.89, software Avenue, Gulou District, Fuzhou City, Fujian Province

Applicant before: FUZHOU ROCKCHIP ELECTRONICS Co.,Ltd.

GR01 Patent grant
GR01 Patent grant