Towards Reduced Reference Parametric Models for Estimating Audiovisual\n Quality in Multimedia Services
Notice bibliographique
Résumé
We have developed reduced reference parametric models for estimating\nperceived quality in audiovisual multimedia services. We have created 144\nunique configurations for audiovisual content including various application and\nnetwork parameters such as bitrates and distortions in terms of bandwidth,\npacket loss rate and jitter. To generate the data needed for model training and\nvalidation we have tasked 24 subjects, in a controlled environment, to rate the\noverall audiovisual quality on the absolute category rating (ACR) 5-level\nquality scale. We have developed models using Random Forest and Neural Network\nbased machine learning methods in order to estimate Mean Opinion Scores (MOS)\nvalues. We have used information retrieved from the packet headers and side\ninformation provided as network parameters for model training. Random Forest\nbased models have performed better in terms of Root Mean Square Error (RMSE)\nand Pearson correlation coefficient. The side information proved to be very\neffective in developing the model. We have found that, while the model\nperformance might be improved by replacing the side information with more\naccurate bit stream level measurements, they are performing well in estimating\nperceived quality in audiovisual multimedia services.\n
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».