近年来,流媒体视频服务正以前所未有之势影响着人们的生活。用户体验质量(quality of experience,QoE)作为衡量流媒体视频服务质量的重要指标,一直受到工业界和学术界的关注。基于HTTP的动态自适应流(dynamic adaptive streaming over H...近年来,流媒体视频服务正以前所未有之势影响着人们的生活。用户体验质量(quality of experience,QoE)作为衡量流媒体视频服务质量的重要指标,一直受到工业界和学术界的关注。基于HTTP的动态自适应流(dynamic adaptive streaming over HTTP,DASH)国际标准对QoE有了新要求,然而目前面向DASH的QoE客观评价模型较为简单,在高质量视频传输上仍有较大的提升空间。因此,面向DASH,提出了一种基于时序卷积网络(temporal convolutional network,TCN)和注意力机制的QoE客观评价模型,使用LIVE-NFLX-II数据集作为实验数据,通过特征分析从众多候选特征中选取最佳特征作为TCN的输入,同时使用注意力机制模块SE-Net对提取的时序特征进行加权,通过训练得到最终的QoE客观评价模型。实验结果表明,本文提出的QoE模型可以很好地拟合QoE特征与主观体验之间的关系,较当前面向DASH的最优的QoE模型在各项指标上平均提升8%左右。展开更多
文摘近年来,流媒体视频服务正以前所未有之势影响着人们的生活。用户体验质量(quality of experience,QoE)作为衡量流媒体视频服务质量的重要指标,一直受到工业界和学术界的关注。基于HTTP的动态自适应流(dynamic adaptive streaming over HTTP,DASH)国际标准对QoE有了新要求,然而目前面向DASH的QoE客观评价模型较为简单,在高质量视频传输上仍有较大的提升空间。因此,面向DASH,提出了一种基于时序卷积网络(temporal convolutional network,TCN)和注意力机制的QoE客观评价模型,使用LIVE-NFLX-II数据集作为实验数据,通过特征分析从众多候选特征中选取最佳特征作为TCN的输入,同时使用注意力机制模块SE-Net对提取的时序特征进行加权,通过训练得到最终的QoE客观评价模型。实验结果表明,本文提出的QoE模型可以很好地拟合QoE特征与主观体验之间的关系,较当前面向DASH的最优的QoE模型在各项指标上平均提升8%左右。
