深度联合源和信道编码的图像恢复和分类的语义通信
摘要：未来的第六代（6G）网络需要支持除数据恢复之外的新的人工智能（AI）任务，例如分类和聚类。在深度学习的成功的推动下，具有深度联合源和信道编码（JSCC）的语义感知和任务导向通信已经成为6G的新范式转变，而不是传统的基于数据的具有分离源和信道编码（SSCC）的通信。然而，大多数现有的工作集中在针对数据恢复或独立执行的AI任务的深度JSCC设计，无法转移到其他意外任务。不同地，本文研究了JSCC语义通信以支持多任务服务，通过同时执行图像数据恢复和分类任务。首先，我们提出了一个新的端到端的深度JSCC框架，通过在损失函数中统一编码速率降低和均方误差（MSE）最小化。这里，编码速率的降低最大化有助于学习用于在特征空间直接执行分类任务的有区别的特征，并且MSE最小化有助于学习用于高质量图像数据恢复的信息特征。接下来，为了进一步提高对变化性无线信道的鲁棒性，我们提出了一种新的门控深度JSCC设计，其中一个门控网络被整合进来，用于根据信道条件自适应地修剪输出特征的维度。最后，我们进行了大量的数值实验，验证了我们提出的深度JSCC设计与各种基准方案的性能。
作者：Zhonghao Lyu, Guangxu Zhu, Jie Xu, Bo Ai, Shuguang Cui
论文ID：2304.02317
分类：Networking and Internet Architecture
分类简称：cs.NI
提交时间：2023-04-06