MétaCan
Menu
Retour à la cohorte
Enregistrement W3034988621 · doi:10.1109/noms47738.2020.9110469

CONTRAST: Container-based Transcoding for Interactive Video Streaming

2020· article· en· W3034988621 sur OpenAlexaff
Sajad Sameti, Mea Wang, Diwakar Krishnamurthy

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueVideo Coding and Compression Technologies
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésTranscodingComputer scienceQuality of experienceReal-time computingFrame rateCodecVideo post-processingFrame (networking)Interactive videoMultimediaVideo processingMultiview Video CodingComputer networkQuality of serviceVideo trackingOperating systemArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Interactive video streaming applications are becoming increasingly popular. To maintain the Quality of Experience (QoE) of an end user, interactive streaming platforms need to transcode a video stream, i.e., adapt the quality of the video content, to match the network conditions between the platform and the user as well as the device capabilities of the end user. Modern video codecs such as High Efficiency Video Coding (HEVC) require significant computational resources for transcoding operations. Consequently, there is a need for systems that can perform transcoding quickly at runtime to sustain the real-time performance required for interactive streaming while at the same time using just the right amount of computational resources for the transcoding operations. This paper addresses this need by designing and implementing CONTRAST, a Container- based Distributed Transcoding Framework for Interactive Video Streaming. For any given stream and transcoding resolution, CONTRAST exploits a profiling technique to automatically determine the degree of parallelism, Le., the number of processing cores, demanded by the transcoding process to sustain the stream’s frame rate. It then launches Docker containers configured with the required number of cores to perform the transcoding. Experiments using a set of realistic video streams show that CONTRAST is able to sustain the frame rate requirements for interactive streams in a more resource efficient manner compared to baseline techniques that do not consider the degree of parallelism. To the best of our knowledge, our paper is the first to establish best practices for implementing transcoding platforms for interactive streaming videos encoded using a modem video codec.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,038
Tête enseignante GPT0,269
Écart entre enseignants0,231 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetVideo Coding and Compression TechnologiesTravaux en français237 207