論文の概要: NeuSaver: Neural Adaptive Power Consumption Optimization for Mobile Video Streaming

• arxiv url: http://arxiv.org/abs/2107.07127v1
• Date: Thu, 15 Jul 2021 05:17:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-16 13:47:21.973615
• Title: NeuSaver: Neural Adaptive Power Consumption Optimization for Mobile Video Streaming
• Title（参考訳）: NeuSaver: モバイルビデオストリーミングのためのニューラル適応電力消費最適化
• Authors: Kyoungjun Park, Myungchul Kim, Laihyuk Park
• Abstract要約: NeuSaverは、ユーザーエクスペリエンスを損なうことなく、各ビデオチャンクに適応的なフレームレートを適用する。 NeuSaverは、各ビデオチャンクの適切なフレームレートを決定する最適なポリシーを生成する。 NeuSaverは、QoEを高く達成しながら、平均16.14%、最大23.12%の動画ストリーミングでモバイルデバイスの消費電力を効果的に削減する。
• 参考スコア（独自算出の注目度）: 3.3194866396158003
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Video streaming services strive to support high-quality videos at higher resolutions and frame rates to improve the quality of experience (QoE). However, high-quality videos consume considerable amounts of energy on mobile devices. This paper proposes NeuSaver, which reduces the power consumption of mobile devices when streaming videos by applying an adaptive frame rate to each video chunk without compromising user experience. NeuSaver generates an optimal policy that determines the appropriate frame rate for each video chunk using reinforcement learning (RL). The RL model automatically learns the policy that maximizes the QoE goals based on previous observations. NeuSaver also uses an asynchronous advantage actor-critic algorithm to reinforce the RL model quickly and robustly. Streaming servers that support NeuSaver preprocesses videos into segments with various frame rates, which is similar to the process of creating videos with multiple bit rates in dynamic adaptive streaming over HTTP. NeuSaver utilizes the commonly used H.264 video codec. We evaluated NeuSaver in various experiments and a user study through four video categories along with the state-of-the-art model. Our experiments showed that NeuSaver effectively reduces the power consumption of mobile devices when streaming video by an average of 16.14% and up to 23.12% while achieving high QoE.
• Abstract（参考訳）: ビデオストリーミングサービスは、qoe(quality of experience)を改善するために、高品質な動画を高解像度でフレームレートでサポートすることを目指している。 しかし、高品質のビデオはモバイルデバイスでかなりのエネルギーを消費する。 本稿では,ユーザエクスペリエンスを損なうことなく,各ビデオチャンクに適応フレームレートを適用することで,動画ストリーミング時のモバイルデバイスの消費電力を削減できるNeuSaverを提案する。 neusaverは強化学習(rl)を用いて各ビデオチャンクの適切なフレームレートを決定する最適なポリシーを生成する。 RLモデルは、以前の観測に基づいてQoE目標を最大化するポリシーを自動的に学習する。 NeuSaverはまた、非同期のアドバンテージアクター批判アルゴリズムを使用して、RLモデルを迅速かつ堅牢に強化する。 neusaverをサポートするストリーミングサーバは、さまざまなフレームレートのセグメントに動画をプリプロセスする。これは、http上の動的適応ストリーミングにおいて、複数のビットレートの動画を作成するプロセスに似ている。 NeuSaverは一般的なH.264ビデオコーデックを使用している。 我々はneusaverを様々な実験で評価し,最新モデルとともに4つのビデオカテゴリでユーザスタディを行った。 実験の結果,neusaverは動画ストリーミング時のモバイルデバイスの消費電力を平均16.14%,最大23.12%削減し,qoeを高い値で達成した。

関連論文リスト

• Adaptive Caching for Faster Video Generation with Diffusion Transformers [52.73348147077075]
  拡散変換器(DiT)はより大きなモデルと重い注意機構に依存しており、推論速度が遅くなる。 本稿では,Adaptive Caching(AdaCache)と呼ばれる,ビデオDiTの高速化のためのトレーニング不要手法を提案する。 また,AdaCache内で動画情報を利用するMoReg方式を導入し,動作内容に基づいて計算割り当てを制御する。
  論文  参考訳（メタデータ） (2024-11-04T18:59:44Z)
• LL-GABR: Energy Efficient Live Video Streaming Using Reinforcement Learning [3.360922672565235]
  本稿では,QoEをエネルギー消費ではなく映像品質でモデル化する深層強化学習手法であるLLGABRを提案する。 LLGABRは知覚的QoEでは44%,エネルギー効率は73%向上した。
  論文  参考訳（メタデータ） (2024-02-14T18:43:19Z)
• NU-Class Net: A Novel Approach for Video Quality Enhancement [1.7763979745248648]
  本稿では,圧縮コーデックによる圧縮アーチファクトの軽減を目的とした,革新的な深層学習モデルであるNU-Class Netを紹介する。 NU-Class Netを利用することで、ビデオキャプチャノード内のビデオエンコーダは出力品質を低下させ、低ビットレートのビデオを生成することができる。 実験により,低ビットレートでストリーミングされたビデオの知覚品質を高めるためのモデルの有効性が確認された。
  論文  参考訳（メタデータ） (2024-01-02T11:46:42Z)
• Towards High-Quality and Efficient Video Super-Resolution via Spatial-Temporal Data Overfitting [27.302681897961588]
  ディープ畳み込みニューラルネットワーク(DNN)はコンピュータビジョンの様々な分野で広く使われている。 高品質で効率的なビデオ解像度アップスケーリングタスクのための新しい手法を提案する。 市販の携帯電話にモデルをデプロイし,実験結果から,映像品質の高いリアルタイムビデオ解像度を実現することが確認された。
  論文  参考訳（メタデータ） (2023-03-15T02:40:02Z)
• Rate-Perception Optimized Preprocessing for Video Coding [15.808458228130261]
  本稿では,レート・ディストーション性能を向上させるために,レート・パーセプション最適化前処理(RPP)手法を提案する。 RPP法は非常にシンプルで効率的であり,ビデオエンコーディング,ストリーミング,デコードの設定に何ら変更を加える必要もない。 主観的視覚的品質テストでは、87%のユーザが、RPPで圧縮した動画を約12%圧縮するだけで、RPPで動画がより良く、あるいは同等であると考えている。
  論文  参考訳（メタデータ） (2023-01-25T08:21:52Z)
• Deep Unsupervised Key Frame Extraction for Efficient Video Classification [63.25852915237032]
  本研究は、畳み込みニューラルネットワーク(CNN)と時間セグメント密度ピーククラスタリング(TSDPC)を組み合わせたキーフレームの検索方法を提案する。 提案した TSDPC は汎用的で強力なフレームワークであり,従来の研究に比べて2つの利点がある。 さらに、CNNの上部にLong Short-Term Memory Network (LSTM)を追加し、分類性能をさらに高める。
  論文  参考訳（メタデータ） (2022-11-12T20:45:35Z)
• OCSampler: Compressing Videos to One Clip with Single-step Sampling [82.0417131211353]
  本稿では,OCSampler というフレームワークを提案する。 我々の基本的な動機は、効率的なビデオ認識タスクは、フレームをシーケンシャルに拾うのではなく、シーケンス全体を一度に処理することにある。
  論文  参考訳（メタデータ） (2022-01-12T09:50:38Z)
• FAVER: Blind Quality Prediction of Variable Frame Rate Videos [47.951054608064126]
  ビデオ品質アセスメント(VQA)は、最も大規模な多くのアプリケーションに影響を与える重要かつ困難な問題であり続けている。 我々は、フレームレート対応ビデオ評価器w/o参照(FAVER)をダブした、HFRビデオの評価のための第一種ブラインドVQAモデルを提案する。 いくつかのHFRビデオ品質データセットに対する実験により、FAVERは他の盲点VQAアルゴリズムよりも妥当な計算コストで優れていることが示された。
  論文  参考訳（メタデータ） (2022-01-05T07:54:12Z)
• Subjective and Objective Quality Assessment of High Frame Rate Videos [60.970191379802095]
  高フレームレート(HFR)ビデオは、スポーツなどのライブ、高アクションのストリーミングコンテンツが驚くほど人気を博し、ますます一般的になっている。 ライブYT-HFRデータセットは、6つの異なるフレームレートを持つ480のビデオで構成され、16の多様なコンテンツから得られる。 ビデオの主観的ラベルを得るために,85人の被験者のプールから得られた品質評価を19,000件取得した。
  論文  参考訳（メタデータ） (2020-07-22T19:11:42Z)
• Capturing Video Frame Rate Variations via Entropic Differencing [63.749184706461826]
  一般化ガウス分布モデルに基づく新しい統計エントロピー差分法を提案する。 提案手法は,最近提案されたLIVE-YT-HFRデータベースにおいて,主観的スコアと非常によく相関する。
  論文  参考訳（メタデータ） (2020-06-19T22:16:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。