Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.
Yöntem makalesi
Bu makale, 5G ve yeni nesil ağlarda video akışını geliştirmek için tasarlanmış gelişmiş sinirsel ve optimizasyon modellerinin entegrasyonu olarak AQVSO (Adaptif Kalite Video Akışı Optimizasyonu) çerçevesini sunmaktadır. Çerçeve, video kalitesini artırır, tamponlamayı azaltır ve kaynak kullanımını optimize eder.
AQVSO (Adaptif Kalite Video Akışı Optimizasyonu), 5G ve Ötesi ağlarda video akış kalitesini ve kaynak kullanımını artırmayı amaçlayan yeni bir video akış çerçevesidir. Çalışma, politika odaklı kodlayıcılarla seyrek konvolüsyon ağları (SCN-PDE), seyrek grafik dikkat konvolüsyon ağını (SGA-ConvNet), uyarlanabilir spiking sinir ağlarını (ASNN) ve karınca kolonisi optimizasyonuna sahip derin inanç ağlarını (DBN-ACO) içeren dört birlikte ilgili modülden oluşan uçtan uca çok sinirli bir ağ önermektedir. Bu unsurlar, kalite ile kaynak kullanımı arasında denge kurmayı amaçlayan matematiksel bir modele dayalı ağ değişikliklerine dinamik olarak uyum sağlar. UCF-101 veri seti üzerinde yapılan deneyler, AQVSO'nun son teknoloji algoritmalar BBA ve BOLA'ya (0.977) benzer SSIM puanlarını koruduğunu ancak çok daha az bant genişliği (4.936/8.000 kbps) gerektirdiğini göstermektedir. Çerçeve, yüksek algı kalitesini (PSNR = 45.89 dB) korurken bant genişliği tüketiminde %38 tasarruf sağlayabilir ve tamponlama durumlarını neredeyse ortadan kaldırmıştır. Sistem, mobil, CDN (İçerik Dağıtım Ağı) ve kurumsal koşullarda %99,9 akış kesinliği sağlar ve kaynak sınırlı durumlarda video dağıtım sistemleri için gerçek bir performans artışı sağlar. Bu, uyarlanabilir, içerik farkında akış kararları yoluyla yönetilebilir bir kullanıcı deneyimi ve ağ kaynaklarının verimli kullanımı sağlanmasıyla mümkün olur.
Bu çalışmanın amacı, dinamik 5G ve ötes ağ koşullarında algısal video kalitesini ve bant genişliği kullanımını ortak optimize eden entegre çok sinirli uyarlanabilir akış çerçevesi olan AQVSO geliştirmektir. Yöntem, içerik analizi, hız kontrolü ve kaynak tahsisini tek bir karar mimarisinde birleştirerek önemli ölçüde daha düşük bit hızı gereksinimlerinde tutarlı Deneyim Kalitesi (QoE) elde etmeyi amaçlar.
Uyarlanabilir Kalite Video Akışı Optimizasyonu (AQVSO)
5G çağında ve sonrasında, AQVSO, algı kalitesi ve kaynak kullanımını akıllıca dengeleyen çok sinirli ağ ta....
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Kullanılan yazılım, Materyaller Tablosu'nda listelenmiştir.
Veri seti kurulumu
UCF-1013 veri seti elde edilip Videos/UCF-101 dizinine alındı. Veri seti bütünlüğü kontrol toplamı doğrulaması veya manuel oynatma yoluyla değerlendirildi ve bozuk dosyalar sonraki işlemlerden hariç tutuldu.
Hesaplamalı ortam
Tüm deneyler Windows 10/11 veya Ubuntu 20.04+ üzerinde Python 3.10 ile gerçekleştirilmiştir. Yazılım ortamı tensorflow==2.17.0, opencv-python, scikit-image, ....
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Önerilen sistemin performansının kapsamlı bir analizini sunmak ve uygulama sonuçlarını raporlamak gerekir. Sistemin bulut tabanlı bir makine öğrenimi yaklaşımı olan Neuro Cloud Stream için uygun olup olmadığını doğrulamak için bir karşılaştırma bölümü ekleyin. Şekil 2, AQVSO sistem iş akışını göstermektedir.
Veri seti açıklaması
AQVSO çerçevesini değerlendirmek için, 10 saniyeden 2 saat ve 30 dakikaya kadar çeşitli vide.......
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Adaptif Kalite Video Akışı Optimizasyonu (AQVSO) çerçevesi, kablosuz ağlarda algısal video kalitesini ve bit hızı uyumluluğunu dinamik olarak artırmak için gömülü çoklu modüllü kodek entegrasyon mimarisine dayanan bir multimedya işleme motorudur. Örneğin, bireysel tahminciler veya hız kontrolörlerinin aksine, AQVSO hareket farkındalığını artırmak için SCN-PDE, uzaylı-zaman dikkat modelleme için SGA-ConvNet, düşük gecikmeli uyarlanabilir hız kontrolü için ASNN ve küresel optimize edilmiş .......
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Yazarların açıklamak zorunda kalacak bir çıkar çatışması yoktur.
Yazarlar, bu el yazmasında sunulan çerçeve blok diyagramını (Şekil 1) oluşturmak için bir yapay zeka akış oluşturma aracının kullanıldığını kabul etmektedir.
....Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
| Ad | Şirket | Katalog numarası | Yorumlar |
|---|---|---|---|
| 8 GB RAM | Genel | Deneyleri çalıştırmak için minimum bellek gereklidir. | |
| Intel Core i5 İşlemci | Intel Corporation | AQVSO değerlendirme boru hattı için kullanılan CPU. | |
| NumPy | NumPy Geliştiricileri | Sayısal hesaplamalar ve matris işlemleri. | |
| OpenCV-Python | OpenCV.org | Video yükleme, kare çıkarma ve ön işleme için kullanılır. | |
| Pandalar | Pandas Gelişim Ekibi | Veri işleme, CSV dışatı, metrik tablolar. | |
| Python 3.10 (Programlama Dili) | Python Yazılım Vakfı | AQVSO çerçeve betikleri ve bağımlı kütüphaneleri çalıştırmak için gereklidir. | |
| scikit-image | Scikit-Image Geliştiricileri | SSIM, PSNR, MSE hesaplaması. | |
| TensorFlow 2.17.0 | Sinirsel modüller oluşturmak için kullanılan derin öğrenme kütüphanesi (SCN, SGA-ConvNet, ASNN, DBN). | ||
| tqdm | TQDM Takımı | Pipeline yürütme için ilerleme çubukları. | |
| Windows 10 (64-bit) İşletim Sistemi | Microsoft Corporation | Deneyler için kullanılan işletim sistemi. |
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.