Optimisation du décodage par liste de vidéos corrompues basée sur une architecture d'apprentissage en profondeur

Autor: Zhang, Y. (Yujing), Coulombe, S. (Stéphane), Coudoux, F-X. (François-Xavier), Corlay, P. (Patrick)
Přispěvatelé: Université Polytechnique Hauts-de-France (UPHF), Ecole de Technologie Supérieure [Montréal] (ETS), Institut d’Électronique, de Microélectronique et de Nanotechnologie - UMR 8520 (IEMN), Centrale Lille-Université de Lille-Centre National de la Recherche Scientifique (CNRS)-Université Polytechnique Hauts-de-France (UPHF)-JUNIA (JUNIA), Université catholique de Lille (UCL)-Université catholique de Lille (UCL), COMmunications NUMériques - IEMN (COMNUM - IEMN), INSA Institut National des Sciences Appliquées Hauts-de-France (INSA Hauts-De-France), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Institut d’Électronique, de Microélectronique et de Nanotechnologie - UMR 8520 (IEMN), Université catholique de Lille (UCL)-Université catholique de Lille (UCL)-Centrale Lille-Université de Lille-Centre National de la Recherche Scientifique (CNRS)-Université Polytechnique Hauts-de-France (UPHF)-JUNIA (JUNIA), Université Polytechnique Hauts-de-France [UPHF], Ecole de Technologie Supérieure [Montréal] [ETS], Institut d’Électronique, de Microélectronique et de Nanotechnologie - UMR 8520 [IEMN]
Jazyk: francouzština
Rok vydání: 2023
Předmět:
Zdroj: Mardi des chercheurs
Mardi des chercheurs, Jun 2023, Valenciennes (Nord), France. 2023
Popis: National audience; This poster presents an optimized list decoding solution for videos corrupted by transmission errors. It is based on no-reference image quality assessment using a convolutional neural network (CNN) that effectively handles non-uniform distortions. At the end of a list decoding process, we evaluate the quality of each generated candidate image (without reference) in order to select the best one. When the transmission error occurs in an intra encoded image, our architecture has a decision accuracy of more than 98% against 46% for the original pre-trained CNN architecture. For errors in an inter encoded image, it's 79% versus 33%.; Cet poster présente une solution de décodage par liste optimisée pour des vidéos corrompues par des erreurs de transmission. Elle est basée sur l'évaluation de la qualité des images sans référence utilisant un réseau de neurones convolutif (CNN) qui gère efficacement les distorsions non uniformes. À l'issue d'un processus de décodage par liste, nous évaluons la qualité de chaque image candidate générée (sans référence) afin de sélectionner la meilleure. Lorsque l'erreur de transmission se produit dans une image intra, notre architecture a une précision de décision de plus de 98% contre 46% pour l'architecture CNN originale pré-entraînée. Pour les erreurs dans une image inter, c'est 79% contre 33%.
Databáze: OpenAIRE
Externí odkaz: