QUANTIFYING PERCEPTUAL QUALITY MODEL UNCERTAINTY VIA BOOTSTRAPPING

• Main Authors: LI, ZHI, BAMPIS, CHRISTOS, NOVAK, JULIE, TINGLEY, MARTIN, SHARAN, LAVANYA
• Format: Patent
• Language: English; French
• Published: 26.09.2019
• Subjects: CALCULATING; COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS; COMPUTING; COUNTING; ELECTRIC COMMUNICATION TECHNIQUE; ELECTRICITY; PHYSICS; PICTORIAL COMMUNICATION, e.g. TELEVISION

In various embodiments, a bootstrapping training subsystem performs sampling operation(s) on a training database that includes subjective scores to generate resampled dataset. For each resampled dataset, the bootstrapping training subsystem performs machine learning operation(s) to generate a different bootstrap perceptual quality model. The bootstrapping training subsystem then uses the bootstrap perceptual quality models to quantify the accuracy of a perceptual quality score generated by a baseline perceptual quality model for a portion of encoded video content. Advantageously, relative to prior art solutions in which the accuracy of a perceptual quality score is unknown, the bootstrap perceptual quality models enable developers and software applications to draw more valid conclusions and/or more reliably optimize encoding operations based on the perceptual quality score. Selon divers modes de réalisation, la présente invention concerne un sous-système d'apprentissage par amorçage, qui effectue une ou plusieurs opérations d'échantillonnage sur une base de données d'apprentissage qui comprend des scores subjectifs afin de générer un ensemble de données ré-échantillonnées. Pour chaque ensemble de données ré-échantillonnées, le sous-système d'apprentissage par amorçage effectue une ou plusieurs opérations d'apprentissage automatique afin de générer un modèle de qualité perceptive d'amorçage différent. Le sous-système d'apprentissage par amorçage utilise ensuite les modèles de qualité perceptive d'amorçage afin de quantifier la précision d'un score de qualité perceptive généré par un modèle de qualité perceptive de référence pour une partie d'un contenu vidéo codé. Avantageusement, par rapport aux solutions de l'état de la technique dans lesquelles la précision d'un score de qualité perceptive est inconnue, les modèles de qualité perceptive d'amorçage permettent à des développeurs et à des applications logicielles de tirer des conclusions plus valides et/ou d'optimiser de manière plus fiable des opérations de codage sur la base du score de qualité perceptive.