Почему видео вконтакте загружается в плохом качестве: Как улучшить качество ВКонтакте – 3 способа

Посольство Украины в Грузии сообщило, что Россия решила частично снять санкции с Грузии при условии, что грузинские власти не одобрят санкции против России. «Считаем продвижение торговых отношений с Россией, вооруженные силы которой обстреливают мирные украинские города ракетами и бомбами, убивая ни в чем не повинных мирных жителей, в том числе детей, самым решительным образом неприемлемым», — говорится в заявлении посольства.

Посольство также призвало правительство Грузии публично дистанцироваться от России, «руководство которой нарушает международное право и совершает военные преступления в Украине». Газета писала: «Из-за вооруженной агрессии России против Грузии в 2008 году грузинский народ, к сожалению, хорошо осознает ужасы войны, через которые сейчас вынуждены проходить украинцы. В то же время создается впечатление, что грузинские власти, должно быть, забыли обо всем этом и теперь пытаются воспользоваться моментом, чтобы позаботиться о своих интересах».

Вопреки заявлению Россельхознадзора, Леван Давиташвили заявил, что с 2020 года никаких сообщений об экспорте молочной продукции в Россию не поступало. Войска радиационной, химической и биологической защиты Вооруженных Сил Российской Федерации. (Источник: Вадим Савицкий/пресс-служба Минобороны РФ/ТАСС)

Измерение объективного качества видео в социальном облаке на основе эталонной метрики

На этой странице полные эталонные показатели с учетом снижения качества. В ходе исследовательской работы мы проводим эксперименты с различными социальными облаками (СЦ) и видео низкого качества. Выбранные видео загружаются в SC для оценки различий в видеосервисе и качестве. WeChat показывает, что среднее значение всех видео (Avg = 100), пиковое отношение сигнал/шум (PSNR) не влияет на другие показатели. Поэтому мы считаем, что WeChat предоставляет своим пользователям лучшее качество видео и мультимедийных услуг, чтобы соответствовать качеству обслуживания (QoS)/качеству взаимодействия (QoE).

1. Введение

В настоящее время количество социальных облаков (SC) превысило количество мультимедийных сервисов, и количество пользователей, присоединяющихся к SC, также резко увеличилось. Это связано с тем, что доступ к видео из облака, такой как видео по запросу (VOD), онлайн-видеоигры, потоковое мультимедиа, телевидение по интернет-протоколу (IPTV), видеоконференции и социальные сети, широко используется во всем мире. Эти мультимедийные приложения и услуги в настоящее время широко используются в различных областях, в том числе в научной и образовательной сферах (например, мультимедийные презентации) [1, 2].

Поставщики мультимедийных услуг (MSP) разрабатывают различные подходы и методы для обеспечения лучшего QoE, которое разнообразно улучшается благодаря пользовательскому опыту. Пользователи могут легко получить доступ к QoS с коммерческих или некоммерческих облачных серверов. Поэтому качество мультимедийных услуг более критично для проектов и развертывания любых сетей и сервисов [3].

Пользователи всегда предъявляют высокие требования к качеству видео. Во время передачи видео и онлайн-стриминга одиночное видео может испытывать дрожание или дополнительный шум при загрузке/выгрузке видео в облаке, поскольку SC сжимает исходное видео и уменьшает размер хранилища, что автоматически влияет на качество видео [4, 5].

Ненужный шум усугубляет проблему для MSP и сокращает предоставление высококачественных видеоуслуг высокой четкости (HD), соответствующих требованиям пользователей. Тем не менее, QoE и QoS являются двумя модальностями в мультимедийных обществах и тесно взаимосвязаны, чтобы обеспечить надежность оценки качества (QA), которая обещает обеспечить QoS и улучшить качество QoE пользователя. Как правило, QoE относится к пользовательским факторам, то есть наслаждению, чувствам и удовлетворенности, в то время как QoS относится к производительности мультимедийных приложений и сетей, например производительности, скорости отклика и доступности. Качество опыта далее подразделяется на субъективное и объективное QoE. Субъективное QoE осуществляется с помощью опросов (например, шкалы, интервью и анкетирования). Объективное QoE, с другой стороны, выполняет физиологические тесты человека (например, МРТ и ЭЭГ) и измеряет данные QoS или технические параметры (например, стоимость, разрешение, частоту кадров и частоту дискретизации) [4–6].

Что касается проблем и различий в совместимости видео, MSP и сетевые операторы считают, что качество видео является более важной задачей в системах обработки мультимедиа, и вводят методы обеспечения качества видео. QA измеряет видеосигналы, уровень сжатия и ухудшение качества видео. Более того, методы обеспечения качества видео могут быть измерены как объективно с использованием математических моделей, так и субъективно с учетом восприятия пользователей.

В этой статье мы сосредоточимся на модели объектного качества видео (OVQ), отражающей тот факт, что модели качества могут быть измерены объективно, но не работают вместе, поскольку OVQ свободен от человеческих интерпретаций и рассматривает часть субъективного качества. методы оценки. OVQ является зависимой переменной математических моделей, в которых несколько независимых переменных (например, параметры кодирования видео) хорошо сочетаются с субъективной оценкой с использованием статистических моделей и методов регрессии. Модели OVQ можно определить с помощью видеоинформации, такой как доступные параметры исходного видеосигнала и полученные видеосигналы или обработанные видеосигналы. Три технические модели, то есть полная эталонная (FR), уменьшенная эталонная (RR) и модель без эталона (NR), в основном используются для оценки качества видео, PSNR и измерения качества видео (VQM) [7].

Как правило, эталонная модель может измерять разницу в качестве между исходным видео и полученным/обработанным видео. Модель NR пытается работать с искаженными видео в отсутствие исходного эталонного видео, но подход модели NR является менее точным методом по сравнению с подходом модели FR. Модель FR учитывает ухудшение качества видео и оценивает его более точно по сравнению с оценками, воспринимаемыми человеком. Эталонный метод является более сложным и наиболее надежным для оценки качества видео, которая требует наличия исходной видеопоследовательности для вычисления качества видео перед передачей видеокодирования. Поэтому в большинстве случаев модель OVQ и FR требует больших вычислительных затрат [7–9].].

Однако поставщики услуг Интернета (ISP) сталкиваются с рядом проблем с мультимедийными услугами при передаче HD-видео. Гарантированное качество обслуживания и улучшенное качество (видео) взаимодействия с пользователем являются проблемой для поставщиков услуг, поскольку HD-видео содержат большой объем данных и занимают больше места в облачном хранилище, а во время загрузки требуется высокая пропускная способность сети для передачи этих файлов на облачный сервер. Эта проблема приводит к критической проблеме предоставления услуг и имеет важное значение для анализа качества видео. SC — это автономное приложение, в котором пользователям предлагаются различные мультимедийные услуги, такие как обмен видео и публикация видео. Эти сервисы обычно используются конечными пользователями для обмена записанными видео в социальных сетях [2]. Конечные пользователи делятся и загружают свое HD-видео на разные SC, но исходное видео, сжатое SC, не формирует исходное видео, поскольку социальное облако хранит видео с использованием предопределенных методов сжатия различных видеокодеков [3–5].

Наш основной вклад состоит в том, чтобы представить реальный анализ потокового видео и сравнить результаты качества видео с показателями эталонной модели. Основные цели включают следующее: (i) Оценка трех различных разрешений видео (144p, 240p и 360p) и их сравнение с SC и оригинальными видео (ii) Влияние PSNR и VQM на видео SC (iii) Оценка среднего квадрата ошибки (MSE), MSAD, Delta и искажения данных в SC(iv)Влияние видео SC и различных уровней ухудшения качества видео

Остальная часть этого документа организована следующим образом. Раздел 2 связан с работой над существующим объективным качеством видео. Раздел 3 предлагает методы и предварительные эксперименты. Раздел 4 содержит подробное обсуждение и результаты. Статья завершается в Разделе 5.

2. Обзор литературы

Исследователи представили свои работы в области облачных сервисов [10] и показателей качества видео [11] и предложили различные модели качества видео [7, 8, 12]. в разных средах. Авторы в [10] представили технологию облачных вычислений и предложили эффективный ESVP, облачную архитектуру, для демонстрации производительности мобильного видеопотока. Также обсуждается облачный адаптивный и эффективный метод обмена видео в социальных сетях. Предлагаемое решение может хранить и обмениваться видео в облаке, поскольку авторы сосредоточились только на улучшении времени отклика живых видео [13]. Облачные службы потоковой передачи видео в реальном времени (VLSC) предложили метод планирования, основанный на потоковой передаче видео в реальном времени, чтобы упростить процесс транскодирования видео и обеспечить экономичные способы, а также удовлетворить требования зрителей к качеству обслуживания. Чтобы сопоставить объективное качество видео, Appina и Channappayya [14] представили функции, основанные на битовом потоке, для измерения полной метрики эталонного качества видео (PSNR, PVQM, VQM и VIF).

Характеристики битового потока видео 560 протестированы с помощью высокоэффективного кодирования видео (HEVC) и с использованием монотонного прогнозирования количества объективных показателей качества. Авторы в [15] представили работу по полной эталонной оценке качества 3D-видео и предложили метрику FR стереоскопического VQA, основанную на коэффициентах глубины и поддиапазона движения видеокадров. Была выполнена когерентность ковариационной матрицы, а показатели когерентности были рассчитаны путем применения стандартной метрики оценки качества изображения 2D FR к видеокадрам.

Soundararajan и Bovik [16] обсудили методы объективной оценки качества кодирования для видеоконференций и предложили модель пикового отношения сигнал/шум на основе смешанной модели Гаусса (GMM-PSNR). В работе оценивалось качество кодирования видеоконференцсвязи. Формат мультимедийного файла и кодек широко используются в системах видеосвязи, основанных на соответствующей работе беспроводной сети и предлагаемых алгоритмах для формата мультимедийного файла (MPEG4, FLV и 3GP). Авторы использовали показатели отношения мощности сигнала к мощности шума (SNR) и пикового отношения сигнал-шум (PSNR) для расчета производительности и различий каждого формата файла. Результаты показывают, что разные форматы файлов различаются по качеству [16].

Сравнение объективных показателей качества видео было определено в средней оценке мнения (MOS) или DMOS путем анализа корреляции между субъективным QoE, полученным в результате пользовательского теста, и воспринимаемой оценкой по объективным метрикам. Результаты показали недостаточность субъективных данных и рекомендовали использовать различные субъективные процедуры, показавшие большую полноту [17]. Представлен алгоритм оценки качества и приведенная эталонная оценка VQ. Гибридный подход использовался в статистических моделях для использования пространственных и временных различий с использованием смешанной модели в масштабе Гаусса. Предложенный алгоритм показал лучшую производительность PSNR для прогнозирования качества видео. Другие стороны разработали модель прогнозирования QoE для интернет-видео, которая измеряла параметры и отношения взаимодействия с пользователем и продемонстрировала инфраструктуру доставки, которая обеспечивает улучшение взаимодействия с пользователем на 20% по сравнению с другими подходами [18].

Однако трафик и точность потокового онлайн-видео оцениваются от 57% до 69% при воспроизведении видео и восприятии пользователями услуг потокового видео и обеспечении взаимодействия с пользователем. В ходе работы измерялось QoE для онлайн-сервисов потокового видео. Метрики QoE используются для оптимизации проблем с качеством, но не в случае загрузки/загрузки видео из облаков [19]. Качество видео оценивается на основе искусственной нейронной сети (ИНС), и она использует нейро-нечеткий интерфейс, который предсказывает оценку MOS. Однако качество видео получается от PSNR до MOS, но субъективные оценки не проводились [20]. Сравнение соответствующих рабочих таблиц показано в Таблице 1.

Сравнивается и анализируется качество мультимедийного контента при различных форматах видеофайлов и разрешениях видео. Для анализа влияния формата видео на качество использовался метод субъективной оценки. Результаты показывают, что видео в формате MP4 получило наибольшее влияние, но автор не дает объективной оценки качества видео [26]. Для анализа влияния форматов видео на QoE использовался метод субъективной оценки. Результаты показали MOS, что видео MP4 получило наивысший рейтинг для 720p и 2160p, FLV для 240p и WebM для 360p, но авторы не представили объективных оценок качества видео [26].

Обзор литературы показывает, что проведено мало исследований [26, 28] по субъективному качеству видео QoE в социальных облаках, но измерение объективного качества видео с эталонными метриками (PSNR, VQM, MSE, MSAD и Delta) в социальных облаках еще не исследовано. Насколько известно авторам, это первое исследование, посвященное проблеме качества видео и представляющее результаты качества видео с использованием потокового онлайн-видео и видео в социальных сетях.

3. Предлагаемая технология

Чтобы изучить производительность качества видео в SC, мы предпочли использовать в наших экспериментах три самых популярных облака социальных сетей Facebook, VK и WeChat. Оригинальные видеоролики были отобраны и взяты с сайта YouTube [29–31] и загружены с использованием сайта-источника [32]. Исходное видео содержит три разных разрешения видео (144p, 240p и 360p) и имеет один и тот же формат файла (.mp4), загруженный в социальные облака.

Технические параметры исходного видео были записаны перед загрузкой исходного видео на СК, так как социальные облака автоматически сжимают параметры исходного видео в соответствии со своими предопределенными алгоритмами сжатия и уменьшают размер хранилища. Кроме того, исходное и полученное видео были сопоставлены и изучены, чтобы узнать полную эталонную метрику с помощью инструмента моделирования VQMT. Предлагаемая конструкция представлена ​​на рисунке 1, а соответствующие технические параметры приведены в таблице 2.

Показатель пикового отношения сигнал-шум (PSNR) широко используется в области обработки сигналов, поскольку он представляет собой максимальное отношение мощности между сигналами и шумом. Среднее значение PSNR (Avg) обычно используется в практике обработки видео, когда кодеки качества видео и сжатия с потерями рассматриваются для тестирования качества видео или улучшения видеокодека. Более высокое и более низкое значение PSNR указывает качество восстановленного видео. Если значение PSNR при сжатии видео находится в диапазоне от 30 дБ до 50 дБ и обеспечивает глубину 8 бит, то значение PSNR 50 дБ лучше. Этот показатель также полезен для измерения стандартов видеокодеков (MPEG-4, H.263 и H.264). Таким образом, эта метрика действительна только тогда, когда она применяется для сравнения результатов между одним и тем же кодеком, одним и тем же типом кодека и одним и тем же соответствующим видеоконтентом. Как правило, PSNR эквивалентен MSE, но его легко определить по сравнению с MSE из-за масштаба метода. Его можно рассчитать по уравнению, приведенному в [33].

Вычислите среднее значение PSNR для последовательного видео и оцените среднее значение MSE для всех кадров, используя обычное уравнение PSNR, которое может быть представлено как

VQM обычно используется для объективных измерений качества видео. Эта метрика оценивает видеопотоки между исходным видео и обработанным видео и включает функции с пространственно-временным выравниванием, действительные оценки области и расчеты смещения уровня усиления. Расчет VQM может извлекать функции, основанные на восприятии, для вычисления параметров качества видео и генерировать более точные прогнозы воспринимаемого человеком качества видео [34].

Вычисленная метрика MSE — это простейшая метрика для вычисления различий между двумя видео и сравнения видеосигналов. Его можно рассчитать как

Метрики дельты и средней абсолютной разницы (MSAD) также являются самым простым способом расчета средних разностей цветовых ( R , G и B ) компонентов в соответствующих значениях видео, и эта метрика в основном используется для фильтров и тестирования кодеков. Таким образом, VQM поддерживает все функции MSE, Delta и MSAD. MSE и дельту можно рассчитать, где соответствует красный цвет и соответствует зеленый цвет в показателях дельты. Метрика MSAD рассчитывается по

4. Результаты и обсуждение

В этом разделе представлены подробные результаты и анализ качества видео; кроме того, он анализирует три СК (Facebook, VK и WeChat) и видео низкого качества (144p, 240p и 360p). Отобранные видео загружаются в SC для оценки различий в видеоуслугах и качестве.

4.1. Исходные параметры видео

Чтобы получить объективный анализ качества видео и результаты, на первом этапе мы измерили исходные параметры видео с помощью медиаплеера VLC (Video LAN Client) (версия 2.2.1) [34]. VLC извлек подробную информацию о каждом видеофайле по техническим параметрам (например, ширину/высоту кадра, скорость передачи данных, общий битрейт, частоту кадров, битрейт аудио, размер хранилища, продолжительность воспроизведения и формат видеофайла). Скриншоты оригинальных видеороликов и технические параметры приведены на рисунке 2 и в таблице 3.

4.2. Качество видео в социальных сетях с эталонными метриками

В этом разделе объясняется интерпретация с эталонными метриками и результатами. Следовательно, рассматриваются пять эталонных показателей (PSNR, MSE, MSAD, Delta и VQM). Для анализа предпочтительнее использовать программное обеспечение для измерения качества видео (VQMT) Московского государственного университета (МГУ) (версия 11.0). Это программное обеспечение специально используется для тестирования видеокодеков и проведения сравнительного анализа объективного качества видео с использованием эталонных и неэталонных показателей. Для интерпретации каждого параметра необходимо знать значения метрик, т. е. либо социальные ролики обеспечивают лучшее качество, либо нет для конечных пользователей. Каждый кадр может измерять PSNR в видеопоследовательности, что соответствует большему/меньшему значению среднего значения (Avg). Чем выше значение (Avg = 100), тем лучше для тех же кадров в PSNR. Кроме того, более низкие значения (Avg = 0) для VQM, MSE и MSAD лучше подходят для одинаковых кадров, а более низкое значение Delta (Avg = 0) указывает на равные кадры, т. е. оба являются значениями со знаком (+, −) в среднем отклонении, что означает, что более низкие абсолютные значения лучше. Параметры эталонной метрики приведены в таблице 4.

Мы загрузили видео 144p в социальное облако Facebook, и анализ Facebook Video 144p представлен на рисунке 3. Результаты показывают, что Facebook обеспечивает низкое качество и показывает, что среднее (38,155602) PSNR меньше 100 качества PSNR, показатели VQM (Avg = 0,770144 < 0), значение метрики MSE (Avg = 9,943065), MSAD (Avg = 1,666160) и показатели дельта (Avg = -0,138500). Facebook Video 240p не обрабатывается инструментом VQMT, поскольку масштаб разрешения видео уменьшен до (400 × 224) и сравнительно отличается от исходного видео по умолчанию.

Результаты видео Facebook 360p показаны на рис. 4; Наблюдается значение PSNR Avg = 40,156540 с исходным битрейтом 5,0 кбит/с по сравнению с битрейтом Facebook 4,1 кбит/с. Кроме того, была замечена метрика VQM, Avg = 0,648435, ниже нуля и значение MSE, то есть Avg = 6,272291. Было обнаружено, что значение MSAD, т. е. Avg = 1,291984, и значение дельта были отрицательными, т.е. Avg = -0,051095.

На рисунке 5 представлены результаты видео ВКонтакте 144p. Мы наблюдали качество видео с низким разрешением, что ВКонтакте снижает PSNR (Avg = 48,9< 100), показатель VQM (Avg = 0,250), MSE (Avg = 0,847), MSAD (Avg = 0,520) и Delta (Avg = −0,00659) с битрейтом 1,7 kbps. Кроме того, видео ВКонтакте 240p также не обрабатывается инструментом VQMT, поскольку разрешение видео уменьшено (320 × 180) и отличается от значений по умолчанию.

Следующее наблюдение VK Video 360p показано на рисунке 6. Результаты показывают, что значение PSNR равно Avg = 46,4 < 100, что на 5,0 кбит/с ниже исходных 6,7 кбит/с. Кроме того, показано, что все показатели больше нуля, такие как VQM (Avg = 0,368), MSE (Avg = 1,49), MSAD (Avg = 0,718) и Delta (Avg = -0,00178).

Повторяем то же самое для следующего социального облака WeChat для видео 144p. WeChat предоставил наилучшие показатели качества; мы заметили, что значение PSNR было Avg = 100, с битрейтом 1,7 кбит/с по сравнению с исходным битрейтом 1,7 кбит/с, а остальная часть значения метрики была (Avg = 0,000). Результаты WeChat (144p) показаны на рисунке 7.

Второе видео WeChat 240p проанализировало те же результаты, что и WeChat 144p. Значение PSNR было (Avg = 100) с битрейтом 2,6 бит/с по сравнению с исходным битрейтом 2,6 бит/с, а остальная часть значения метрики была (Avg = 0,000). Результаты WeChat 240p показаны на рис. 8.

Далее оцениваем видео WeChat 360p. Результаты показывают, что значение PSNR было (Avg = 100), а значения метрик VQM, MSE, MSAD и Delta были (Avg = 0,000) с битрейтом 5,0  кбит/с по сравнению с исходным битрейтом 5,0  кбит/с, а остальная часть значения метрики было (Avg = 0,000). Результаты извлеченных метрик WeChat 360p представлены на рис. 9.

Вывод, который мы можем сделать из сводных результатов сравнения, представлен в таблице 5. Результаты показывают, что в видео 144 P видео Facebook уменьшается как PSNR (Avg = 61,84% ) и ВК (Сред. = 56,36%). Кроме того, видео Facebook 240 P с уменьшенными параметрами видео не может извлекать данные и не соответствует атрибутам видео, а видео Facebook 360 P снижает PSNR (Avg = 59).0,84%) и ВК (среднее =57,95%). По сравнению со всеми видео WeChat значение PSNR было (Avg = 100). Очевидно, что WeChat обеспечивает наилучшее качество видео для конечных пользователей. Кроме того, сравнение качества видео 144p и 360p трех результатов социальных облаков показано на рисунках 10 и 11.

5. Заключение

разрядность типа ОС. В этой статье мы исследуем метод объективной оценки качества видео, основанный на эталонных показателях (PSNR, VQM, MSE, MSAD и Delta), который анализируется и сравнивается с социальным облачным хостингом и видеосервисами. В то время как многие исследователи работали над субъективным QoE, объективное качество видео QoE SC никогда никем не рассматривалось в прошлых исследованиях. Мы сосредоточены на анализе искажений видео и добавленного шума в видео при загрузке в социальные облака, чтобы оценить, какие параметры видео оказывают большее влияние на объективное QoE. В этой статье были проведены эксперименты с бесплатными облачными видео в социальных сетях. Видео с низким разрешением (144p, 240p и 360p) было выбрано с YouTube и загружено в Facebook, VK и WeChat для измерения качества видео в социальных сетях и обеспечения уровня удовлетворенности пользователей QoS/QoE. Эти результаты предоставили оценку качества видео, в котором социальные облака пострадали из-за высокого уровня сжатия. Результаты показывают, что снижение полных эталонных метрик сильнее влияет на качество видео, т. е. результаты показывают, что для видео 144p средний PSNR Facebook уменьшился на 61,84%, а средний PSNR ВКонтакте уменьшился на 56,36%. Видео 360p показало, что это повлияло на средний PSNR Facebook (Avg = 590,84%), и пострадало среднее PSNR ВКонтакте (Avg = 57,95%). Другие показатели (VQM, MSE, MSAD и Delta) также были затронуты, сжимая видео с разрешением 144p, 240p и 360p, поскольку среднее значение PSNR было неэффективным. WeChat показывает, что среднее пиковое отношение сигнал/шум всех видео составляет (Avg = 100) PSNR, что не влияет на другие показатели и является лучшим качеством видео. По результатам мы доказываем, что Facebook и ВКонтакте сжимали больше видео и обеспечивали более низкое качество видео, но увеличивали QoE пользователя. Таким образом, мы можем сделать вывод, что WeChat обеспечивает высокое качество услуг, обеспечивающих удовлетворенность пользователей. Это исследование будет полезно поставщикам услуг для концентрации внимания и улучшения мультимедийных услуг в будущем.

Доступность данных

Данные, использованные для поддержки результатов этого исследования, включены в статью.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов.

Вклад авторов

Саджида Карим и Хуи Он провел исследование для написания статьи, а А. Р. Джунеджо и Мариям Саттар проанализировали статью, чтобы установить контекст, и внесли свой вклад в качестве экспертов в данной области.

Благодарности

Это исследование было поддержано Национальной ключевой программой исследований и разработок Китая в рамках гранта №. 2017YFB803304 и Национального научного фонда Китая (NSFC) в рамках гранта №. 61872110 и 61672186.

Ссылки

1. A. Periyannan, E. Weber, M. Grupenhoff и др., «Предоставление услуг видеоконференцсвязи с использованием микропопа для расширения обработки мультимедиа в корпоративных сетях», Blue Jeans Network Inc., Сан-Хосе, Калифорния, США, 2019, патент США.

   Посмотреть по адресу:

   Google Scholar

2. С. Б. Кало, Д. М. Фреймут, В. Франк, М. Т. Ле и Д. К. Верма, «Синхронизированный выпуск ресурсов, используемых в уважительных облачных службах», International Business Machines Corporation, Армонк, Нью-Йорк. , США, 2018 г., заявка на патент США 15/439.

   Посмотреть по адресу:

   Google Scholar

3. А. Рашед и А. Чатурведи, «Характеристики и услуги облачных вычислений: краткий обзор», International Journal of Computer Sciences and Engineering , vol. 7, нет. 2, стр. 421–426, 2019.

   Посмотреть по адресу:

   Сайт издателя | Google Scholar

4. А. Р. Джунджо, Ю. Шен, А. А. Лагари, Х. Чжан и Х. Луо, «Молекулярная диагностика и использование методов глубокого обучения для прогнозирования функционального восстановления пациентов, лечившихся от сердечно-сосудистых заболеваний», Доступ IEEE , том. 7, стр. 120315–120325, 2019.

   Посмотреть по адресу:

   Сайт издателя | Google Scholar

5. С. Сантьяго, А. Охо, Э. Эстевес и П. Р. Филлоттрани, «На пути к когнитивно связанному облаку государственных услуг», в Proceedings of the Working Conference on Virtual Enterprises , стр. 430–441, Спрингер, Кардифф, Великобритания, сентябрь 2018 г.

   Посмотреть по адресу:

   Google Scholar

6. К. Василеос, М. А. В. Герис, М. Михалолиакос, К. Цагкарис и С. Папавассилиу, «Решения по использованию QoE-QoS управляемые приложения в практических мобильных широкополосных сетях», в Материалы симпозиума по глобальной информационной инфраструктуре и сетям (GIIS) 2018 г., стр. 1–5, Салоники, Греция, октябрь 2018 г.

   Посмотреть по адресу:

   Сайт издателя | Google Scholar

7. МСЭ, Требования пользователя к объективным измерениям воспринимаемого качества видео в цифровом кабельном телевидении , Рекомендация МСЭ-Т J.1443, Женева, Швейцария, 2000 г.

8. Б. Чуботару, Г.-М. Мунтян и Г. Гинеа, «Объективная оценка области адаптивного качества потоковой передачи мультимедиа с учетом интересов», IEEE Transactions on Broadcasting , vol. 55, нет. 2, стр. 202–212, 2009 г.

   Посмотреть по адресу:

   Сайт издателя | Google Scholar

9. П. Куэнка, Л. Ороско-Барбоса, А. Гарридо и Ф. Куилес, «Изучение показателей качества видео для видеосвязи на основе MPEG-2», в Трудах конференции IEEE Pacific Rim 1999 г. по связи, компьютерам и обработке сигналов (PACRIM 1999). Материалы конференции (кат. № 99Ch46368) , Виктория, Британская Колумбия, Канада, 19 августа.99.

   Посмотреть по адресу:

   Сайт издателя | Google Scholar

10. X. Li, M. Amini Salehi и M. Bayoumi, «VLSC: потоковое видео в реальном времени с использованием облачных сервисов», в Proceedings of the 2016 IEEE International Conferences on Big Data and Cloud Computing (BDCloud), Социальные вычисления и сети (SocialCom), Устойчивые вычисления и коммуникации (SustainCom) (BDCloud-SocialCom-SustainCom) , стр. 595–600, IEEE, Атланта, Джорджия, США, октябрь 2016 г.

    Просмотр по адресу:

    Сайт издателя | Google Scholar

11. Рекомендация МСЭ-R BT, Методология субъективной оценки качества телевизионных изображений , Рекомендация МСЭ-R BT, Женева, Швейцария, 2002 г.

12. Облако: эффективная предварительная выборка видео с учетом социальных сетей для адаптивной потоковой передачи мультимедиа и обмена видео в облаках», в Proceedings of the International Conference on Applied and Theoretical Computing and Communication Technology 2015 (iCATccT) , Давангере, Индия, октябрь 2015 г.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

13. М. Шахид, Дж. Панасюк, Г. Ван Валлендаэль, М. Барковски и Б. Ловстром, «Прогнозирование показателей качества видео с полным эталоном с использованием безэталонных функций на основе битового потока HEVC», в Proceedings Седьмого международного семинара по качеству мультимедийного опыта 2015 г. (QoMEX) , стр. 1–2, IEEE, Пилос-Несторас, Греция, май 2015 г.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

14. Б. Аппина и С. С. Чаннаппайя, «Полная справочная оценка качества 3-D видео с использованием статистических зависимостей компонентов сцены», IEEE Signal Processing Letters , vol. 25, нет. 6, стр. 823–827, 2018 г.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

15. Б. Рогге, Дж. Бекарт и Р. Ван де Валле, «Вопросы синхронизации в мультимедийных форматах: обзор принципов и сравнение существующих форматов», IEEE Transactions on Multimedia , vol. 6, нет. 6, стр. 910–924, 2004.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

16. Дж. Корхонен, Н. Бурини, Дж. Ю и Э. Надернеджад, «Как надежно оценить объективные показатели качества видео», в Proceedings of the 2012 Fourth International Workshop on Quality of Multimedia Experience , стр. 57–62, IEEE, Ярра-Вэлли, Виктория, Австралия, июль 2012 г.

    Посмотреть по адресу:

    Сайт издателя | Академия Google

17. R. Soundararajan и A.C. Bovik, «Оценка качества видео с помощью пространственно-временной энтропийной разности с уменьшенным эталоном», IEEE Transactions on Circuits and Systems for Video Technology , vol. 23, нет. 4, стр. 684–694, 2012 г.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

18. К. Бруннстрем, И. Седано, К. Ван и др., «Разработка модели качества видео без эталона 2D и качество передачи 3D-видео», в Трудах шестого международного семинара по обработке и качеству видео. Метрики для бытовой электроники (VPQM 2012) , стр. 19–20, Скоттсдейл, Аризона, США, январь 2012 г.

    Просмотр по адресу:

    Google Scholar

19. О. Б. Майя, Х. К. Йехия и Л. Д. Эррико, «Краткий обзор качества оценки опыта». для потокового видео», Computer Communications , vol. 57, стр. 1–12, 2015 г.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

20. З. Ван, Э. П. Симончелли и А. К. Бовик, «Многомасштабное структурное сходство для оценки качества изображения», в Протоколы 37-й Асиломарской конференции по сигналам, системам и компьютерам , vol. 2, стр. 1398–1402, Пасифик-Гроув, Калифорния, США, ноябрь 2003 г.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

21. A. Pessoa, A. Falcao, R. Nishihara, A. Silva и R. Lotufo, «Оценка качества видео с использованием объективных параметров на основе сегментации изображения», SMPTE Journal , vol. 108, нет. 12, стр. 865–872, 1999.

    Просмотр:

    Сайт издателя | Google Scholar

22. А. Б. Уотсон, Дж. Ху и Дж. Макгоуэн, «Показатель качества цифрового видео на основе человеческого зрения», Journal of Electronic Imaging , vol. 10, нет. 1, стр. 20–29, 2001.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

23. Ф. Сяо, Оценка качества видео на основе DCT , Лаборатория графики и медиа МГУ (Группа видео), 2000, http://www.compression.ru/video/.

24. П. Нджики-Нья, М. Баррадо и Т. Виганд, «Эффективная полная эталонная оценка качества изображения и видео», в Материалы Международной конференции IEEE по обработке изображений (ICIP) , стр. 125–128, Сан-Антонио, Техас, США, октябрь 2007 г.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

25. Д. М. Чандлер и С. С. Хемами, «VSNR: отношение визуального сигнала к шуму на основе вейвлета для естественных изображений», IEEE Transactions on Image Processing , vol. 16, нет. 9, стр. 2284–2298, 2007.

    Посмотреть по адресу:

    Сайт издателя | Академия Google

26. М. А. Р. Мустафа, М. Мамун Элахи, М. Аламгир Хоссейн и М. М. Ислам, «Сравнительный анализ производительности форматов мультимедийных файлов MPEG4, FLV и 3GP с использованием параметров беспроводной сети», в Труды 13-й Международной конференции по компьютерам и информации 2010 г. Technology (ICCIT) , стр. 306–311, IEEE, Дакка, Бангладеш, декабрь 2010 г.

    Просмотр по адресу:

    Сайт издателя | Google Scholar

27. К. Р. Лагари, О. Исса, Ф. Сперанца и Т. Х. Фальк, «Восприятие качества обслуживания для служб потокового видео: предварительные субъективные и объективные результаты», в Протоколы саммита и конференции Ассоциации обработки сигналов и информации , IEEE, Голливуд, Калифорния, США, декабрь 2012 г.