É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.
Artigo de método
Este artigo apresenta a estrutura AQVSO (Otimização Adaptativa de Qualidade de Streaming de Vídeo) como uma integração de modelos neurais e de otimização avançados projetados para aprimorar o streaming de vídeo em redes 5G e de próxima geração. A estrutura melhora a qualidade do vídeo, reduz o buffering e otimiza o uso de recursos.
AQVSO (Otimização Adaptativa de Streaming de Vídeo) é uma nova estrutura de streaming de vídeo que visa melhorar a qualidade do streaming de vídeo e a utilização de recursos em redes 5G & Beyond. O estudo propõe uma rede multineural de ponta a ponta composta por quatro módulos co-relacionados que incorporam redes convolucionais esparsas com codificadores orientados por políticas (SCN-PDE), uma rede convolucional de atenção de grafos esparsos (SGA-ConvNet), redes neurais adaptativas com picos (ASNN) e redes profundas de crença com otimização de colônias de formigas (DBN-ACO). Esses elementos se ajustam dinamicamente às mudanças da rede com base em um modelo matemático que busca equilibrar qualidade e uso de recursos. Experimentos no conjunto de dados UCF-101 mostram que o AQVSO mantém escores SSIM semelhantes aos dos algoritmos de ponta BBA e BOLA (0,977), embora requer muito menos largura de banda (4.936/8.000 kbps). A estrutura pode economizar 38% no consumo de largura de banda mantendo alta qualidade perceptiva (PSNR = 45,89 dB) e quase eliminou ocorrências de buffering. O sistema alcança 99,9% de certeza de streaming em condições móveis, CDN (Content Delivery Network) e empresas, proporcionando um ganho real de desempenho para sistemas de entrega de vídeo em situações com recursos limitados. Isso é possível ao oferecer uma experiência gerenciável ao usuário e uso eficiente dos recursos de rede por meio de decisões de streaming adaptativas e conscientes do conteúdo.
O objetivo deste estudo é desenvolver uma estrutura integrada de streaming adaptativo multineural, denominada AQVSO, que otimize conjuntamente a qualidade perceptiva do vídeo e a utilização da largura de banda sob 5G dinâmico e além das condições de rede. O método visa unificar análise de conteúdo, controle de taxa e alocação de recursos em uma única arquitetura de decisão para alcançar uma Qualidade de Experiência (QoE) consistente com requisitos de bitrate significativamente menores.
Otimização Adaptativa de Qualidade para Streaming de Vídeo (AQVSO)
Na era do 5....
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
O software utilizado está listado na Tabela de Materiais.
Configuração do conjunto de dados
O conjunto de dados UCF-1013 foi obtido e extraído no diretório Videos/UCF-101 . A integridade do conjunto de dados era avaliada por meio de verificação de soma de verificação ou reprodução manual, e quaisquer arquivos corrompidos eram excluídos do processamento subsequente.
Ambiente computacional
Todos os experimentos foram realizados em Python 3.10 no Windows 10/11 ou Ubuntu 20.04+. O ambiente de....
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Apresente uma análise detalhada do desempenho do sistema proposto e relate os resultados da implementação. Inclua uma seção de comparação para confirmar se o sistema é adequado para o Neuro Cloud Stream, uma abordagem de ML baseada em nuvem. A Figura 2 ilustra o fluxo de trabalho do sistema AQVSO.
Descrição do conjunto de dados
Para avaliar o framework do AQVSO, use uma coleção diversificada de conteúdo em vídeo que var.......
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
O framework Adaptive Quality Video Streaming Optimization (AQVSO) é um motor de processamento multimídia baseado em uma arquitetura de integração de codecs multi-módulo embarcada para melhorar dinamicamente a qualidade perceptiva do vídeo e a adaptividade da taxa de bits em redes sem fio. Diferentemente de preditores individuais ou controladores de taxa, por exemplo, o AQVSO utiliza SCN-PDE para aprimorar a consciência de movimento, SGA-ConvNet para modelagem de atenção espaço-temporal, .......
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Os autores não têm conflitos de interesse a revelar.
Os autores reconhecem o uso de uma ferramenta de criação de fluxo por IA para gerar o diagrama de blocos do framework (Figura 1) apresentado neste manuscrito.
....Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
| Nome | Empresa | Número de catálogo | Comentários |
|---|---|---|---|
| 8 GB de RAM | Genérico | Memória mínima necessária para rodar os experimentos. | |
| Processador Intel Core i5 | Intel Corporation | CPU usada para pipeline de avaliação AQVSO. | |
| NumPy | Desenvolvedores NumPy | Cálculos numéricos e operações matriciais. | |
| OpenCV-Python | OpenCV.org | Usado para carregamento de vídeo, extração de quadros e pré-processamento. | |
| Pandas | Equipe de Desenvolvimento Pandas | Tratamento de dados, exportação de CSV, tabelas métricas. | |
| Python 3.10 (Linguagem de Programação) | Fundação de Software Python | Necessário para executar os scripts do framework AQVSO e bibliotecas dependentes. | |
| scikit-image | Reveladores de Imagem Scikit | Computação de SSIM, PSNR, MSE. | |
| TensorFlow 2.17.0 | Biblioteca de aprendizado profundo usada para construir módulos neurais (SCN, SGA-ConvNet, ASNN, DBN). | ||
| QDM | Equipe TQDM | Barras de progresso para execução em pipeline. | |
| Sistema Operacional Windows 10 (64 bits) | Microsoft Corporation | Sistema operacional usado para experimentos. |
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.