FenixEdu™

Dissertação

Evaluation of Head Movement Prediction Methods for 360º Video Streaming EVALUATED

Detalhes: Recentemente, avanços tecnológicos conduziram a um crescimento significativo dos serviços de streaming de vídeo e ao consumo de vídeos omnidirecionais de Realidade Virtual, permitindo uma maior sensação de imersão e interação que o conteúdo visual 2D tradicional. No entanto, o streaming de vídeo omnidirecional é significativamente mais dispendioso. Uma forma de reduzir esses custos é transmitir a região do vídeo omnidirecional observada pelo utilizador com a maior qualidade possível, enquanto o restante conteúdo é transmitido com qualidade inferior, o que requer a previsão do movimento da cabeça do utilizador. Neste sentido, foram desenvolvidos vários modelos de previsão, desde métodos convencionais em modelos de regressão até aos métodos mais recentes, baseados em Deep Learning, como as redes Long Short-Term Memory (LSTM). Nesta dissertação, implementou-se uma seleção de modelos, que inclui métodos convencionais e métodos de Deep Learning, cujo desempenho foi avaliado utilizando diversos conjuntos de dados de utilizadores reais para diferentes vídeos, e utilizando uma métrica de desempenho adequada. Relativamente aos métodos de previsão convencionais, a complexidade e poder computacional não garantem melhor desempenho e, quando comparados com um modelo baseado em Deep Learning, este último supera os restantes modelos. Adicionalmente, foi avaliada a influência do ângulo de rotação da cabeça em torno do eixo longitudinal do display, na qualidade das previsões. Os resultados demonstram que, apesar de este ângulo permitir obter previsões mais precisas, a sua influência não é muito significativa, podendo ser ignorado em benefício de um modelo de previsão do movimento da cabeça de menor complexidade.
Keywords: Head Mounted Displays, Vídeo Omnidirecional, Previsão do Movimento, Modelos de Regressão, Métodos de Deep Learning, Métricas de Avaliação de Desempenho.

Discussão: setembro 24, 2021, 11:30