12.10.2020 | Ausgabe 10/2020

MASCHINELLES LERNEN FÜR PER-TITLE ENCODING

Visualisierung der konvexen Hülle am Beispiel mehrerer Test-Encodes eines Ausgangs-Videos / Quelle: CHRISTOPH MÜLLER

Video-Inhalte unterscheiden sich in ihrer Komplexität – herkömmliche statische Encoding-Verfahren ignorieren jedoch die individuellen Videocharakteristiken und wenden für alle, teils sehr unterschiedliche Videodateien die gleichen Einstellungen an. Dies führt zu unnötig hohem Speicherbedarf und gesteigerten Übertragungskosten für Streaming-Anbieter. Der Per-Title Encoding Ansatz adressiert dieses Problem und hat das Potenzial, die Speicher- sowie Übertragungskosten von Video-Streams erheblich zu senken. Bisherige Lösungen erfordern in der Regel eine große Anzahl von Test-Enkodierungen, die entsprechende Rechenzeiten benötigen und daher zu erheblichen Mehrkosten führen. Dieser Artikel beschreibt eine Lösung, die den konventionellen Ansatz für Per-Title Encoding um Verfahren des maschinellen Lernens erweitert und somit in der Lage ist, vollständig auf rechenaufwändige Test-Enkodierungen zu verzichten.

Video content differs in its complexity – and yet, conventional static encoding methods ignore the individual video characteristics and apply the same settings to all video files equally. This leads to unnecessarily high storage requirements and increased transmission costs for streaming providers. The Per-Title Encoding approach addresses this problem and has the potential to significantly reduce the storage and transmission costs of video streams. Previous solutions usually require a large number of test encodings, which require corresponding computing time and therefore lead to significant additional costs. This article describes a solution that extends the conventional approach to per-title encoding by machine learning methods and is thus able to completely dispense with computationally expensive test encodings.

---

5 Seiten


 

Newsletter
Ja, ich möchte den Newsletter von FKT abonnieren