Résumé:
Dans le domaine des médias audiovisuels, la qualité d’expérience (QoE) perçue par les utilisateurs est un enjeu fondamental. Elle est influencée par des facteurs techniques et subjectifs, ce qui rend sa prédiction complexe. Cette thèse explore des modèles capables d’estimer la QoE audiovisuelle automatiquement en reposant sur des systèmes d’inférence floue (FIS). Trois modèles ont été développés afin d’évaluer cette qualité. Ces modèles ont été comparés à des modèles basés sur l’apprentissage automatique tels que les réseaux de neurones et les forêts aléatoires pour examiner la QoE. Les résultats obtenus montrent des capacités prédictives prometteuses. Afin d’améliorer ces modèles, nous avons adopté une approche combinant apprentis sage structurel et apprentissage paramétrique. L’apprentissage structurel, basé sur l’ana lyse discriminante linéaire de Fisher (ADL-Fisher), permet de sélectionner les paramètres les plus pertinents. L’apprentissage paramétrique utilise le clustering Fuzzy C-Means (FCM), qui regroupe les données pour optimiser les règles floues et améliorer la précision des prédictions. Cette approche intégrée a renforcé la fiabilité des modèles et a permis d’estimer la représentation des perceptions subjectives des utilisateurs. Les résultats obtenus démontrent que la logique floue constitue une alternative efficace aux techniques classiques, tout en nécessitant d’autres techniques pour estimer et mieux refléter les évaluations humaines.
