Detalhes bibliográficos
Ano de defesa: |
2023 |
Autor(a) principal: |
Bastos, Narúsci dos Santos |
Orientador(a): |
Zatt, Bruno |
Banca de defesa: |
Não Informado pela instituição |
Tipo de documento: |
Tese
|
Tipo de acesso: |
Acesso aberto |
Idioma: |
por |
Instituição de defesa: |
Universidade Federal de Pelotas
|
Programa de Pós-Graduação: |
Programa de Pós-Graduação em Computação
|
Departamento: |
Centro de Desenvolvimento Tecnológico
|
País: |
Brasil
|
Palavras-chave em Português: |
|
Área do conhecimento CNPq: |
|
Link de acesso: |
http://guaiaca.ufpel.edu.br/handle/prefix/9239
|
Resumo: |
Décadas de pesquisa em Avaliação de Qualidade de Imagem e Vídeo promo veram a criação de uma variedade de métricas objetivas de qualidade que se correlacionam fortemente com a qualidade subjetiva de imagem e vídeo. No entanto, permanecem desafios ao considerar a Avaliação de Qualidade de Imagem e Vídeo 3D/estéreo. Múltiplas métricas objetivas de qualidade para imagens e vídeos 3D foram projetadas estendendo as conhecidas métricas 2D. Como resultado, essas soluções tendem a apresentar pontos fracos em artefatos específicos de 3D. Tra balhos recentes demonstram a eficácia das técnicas de Aprendizado de Máquina (AM) no desenvolvimento de métricas de qualidade 3D. Embora eficazes, algumas soluções baseadas em aprendizado de máquina podem levar a um alto esforço computacional e restringir sua adoção em sistemas de poder computacional limitado e/ou aplicações de baixa latência. Diante deste contexto, surgem as questões de pesquisa que esta tese busca responder. Apresentamos um estudo sobre a Avaliação de Qualidade Objetiva de Imagem e Vídeo 3D de Referência Completa considerando Aprendizado de Máquina leve. Neste estudo discretizamos o escore de qualidade visando adotar soluções baseadas em classificadores. Avaliamos quatro diferentes algoritmos baseados em Árvore de Decisão (AD) considerando diferentes conjuntos de características de imagem/vídeo. Além disso, também foram avaliados cenários adotando diferentes números de classes, tanto para Avaliação de Qualidade de Imagem quanto para Vídeo. Os classificadores foram treinados usando dados do Waterloo IVC 3D Image Quality Database e Waterloo IVC 3D Video Quality Database para determinar o escore de qualidade subjetivo medido usando o Mean Opinion Score (MOS). Os resultados mostram que, de maneira geral, o RandomForest obtém a melhor precisão. Nosso estudo demonstra a viabilidade de soluções baseadas em Árvore de Decisão como uma abordagem efetiva e leve para Avaliação de Qualidade de Imagem e Vídeo 3D. |