Evaluation de qualité du vidéo sous Spark

Abstract

Avec l’essor exponentiel du contenu vidéo et la demande croissante pour des médias de haute qualité, l’évaluation fiable et évolutive de la qualité vidéo est devenue un enjeu majeur. Les vidéos numériques, soumises à de multiples étapes de traitement — telles que la compression ou la transmission sur des canaux sujets aux erreurs — subissent souvent des dégradations avant d’atteindre l’utilisateur final. Dans ce contexte, il est crucial de pouvoir estimer de manière précise la qualité perçue par les utilisateurs. L’évaluation de la qualité vidéo (VQA) permet de répondre à cette problématique, mais les méthodes subjectives traditionnelles, bien qu’efficaces, sont coûteuses, longues à mettre en œuvre et peu adaptées aux grandes échelles. Ce travail propose une méthode d’évaluation objective sans référence, reposant sur l’apprentissage automatique appliqué à des caractéristiques extraites directement des vidéos. En tirant parti de la puissance du traitement distribué avec Apache Spark et de l’efficacité de l’algorithme GBTRegressor, notre système permet de prédire la qualité perçue de manière fiable, rapide et scalable, à partir de bases de données de référence telles que LIVE-VQC, KoNViD-1k et YouTube-UGC. Les résultats obtenus valident la pertinence de cette approche, démontrant que la combinaison d’outils Big Data et de modèles de régression avancés constitue une solution performante pour relever les défis contemporains de l’évaluation automatique de la qualité vidéo.