Next:
Introduction
Up:
List of Tables
Previous:
Glossary
11
Contents
Index
Évaluation automatique de la qualité des flux multimédias en temps réel : une approche par réseaux de neurones
Subsections
Introduction
Les motivations
Évaluation de la qualité de multimédia
Limitations des méthodes subjectives et objectives
Impact des paramètres influant la qualité de multimédia
Protocoles de contrôle de débit
Prévision du trafic
Étude de réseaux de neurones
Les contributions de cette thèse
Vue d'ensemble de la dissertation
Descriptions de notre nouvelle méthode en général
Vue d'ensemble de la méthode
Plus d'un type de média à la fois
Essais subjectifs de la qualité
Les méthodes subjectives d'essai de qualité
Évaluation par catégories absolues (ACR)
Évaluation par catégories de dégradation (DCR)
La mesure continue de la qualité en double stimulus (DSCQS)
Calcul de MOS et analyse statistique
Comparaison entre ANN et RNN
Choix de paramètres
La mesure de la qualité de la parole en temps réel
Paramètres affectant la qualité de la parole
Une base de données de MOS pour différentes langues
Évaluation de la qualité de la parole par le RN
Performance d'autres mesures de la qualité de la parole
Évaluation de la qualité de la vidéo
Les paramètres influant la qualité de la vidéo
Résultats
L'apprentissage de réseaux de neurones
Comportement de réseaux de neurones
Les performances des autres mesures de la qualité
Études des effets de paramètres sur la qualité
Impact des paramètres sur la qualité de la parole
Taux de perte (LR)
Paquets perdus consécutifs (CLP)
Intervalle de mise en paquet (PI)
L'effet de codecs
Impact des paramètres sur la qualité de la vidéo
Le débit (BR)
Débit d'images (FR)
Taux de perte (LR)
Le nombre de paquets consécutivement perdus (CLP)
Rapport Intra à Inter (RA)
Un nouveau mécanisme de contrôle de débit
TFRC basé sur une équation (EB-TFRC)
Notre protocole de contrôle de débit
Les paramètres de contrôle possibles
Résultats de simulation
Cas de la parole
Cas de la vidéo
Une nouvelle méthode pour la prévision du trafic
Notre méthode proposée
Les résultats et les évaluations expérimentales du nouveau modèle
Vraies traces pour la formation
Essais expérimentaux pour identifier la meilleure longueur de chaque fenêtre
Performance du RN pour prédire le trafic
Plus d'une étape à l'avenir
Conditions pour recycler le RN
Nouveaux algorithmes d'apprentissage pour les réseaux de neurones aléatoires
La méthode de
Levenberg-Marquardt
pour RNN
LM avec
adaptive momentum
pour RNN
Évaluation des performances des algorithmes proposés
et
paramètres pour AM-LM
Comparaison de la performance des algorithmes
Essai du taux de succès et de la performance
Capacité d'apprendre le problème de la qualité de la vidéo
Conclusions générales
Sommaire des contributions principales
Extensions possibles
Samir Mohamed 2003-01-08