语义通信论文略读（十一）Semantic Communications With Artificial Intelligence Tasks

Semantic Communications With Artificial Intelligence Tasks

降低带宽需求并提高人工智能任务性能

· 作者: YANG YANG , CAILI GUO , FANGFANG LIU, LUNAN SUN , CHUANHONG LIU, and QIZHENG SUN
· 所属机构: 北京邮电大学信息与通信工程学院
· 关键词: 语义通信、人工智能任务、带宽、图像分类、表面缺陷检测
· 时间： 2022 年 5 月 26 日
· 期刊：IEEE Industrial Electronics Magazine ( 卷：17，期号：2023 年 9 月 3 日)

这篇文章下游任务主要是做缺陷图像分类，有硬件平台。

研究背景:

1. 无线网络的范式转变： 从“连接事物”到“连接智能”的转变，与香农和韦弗的愿景相契合，即通信将从技术层面转向语义层面。
2. 语义通信（SC）方法： 提出一种结合人工智能任务（AITs）的SC方法，旨在降低带宽需求并提高AITs的性能。
3. 未来趋势和挑战： 识别SCs的未来趋势和关键挑战。

研究方法:

1. SC-AIT架构： 阐述SC-AIT的架构，包括有效性层面、语义层面和技术层面。
2. 实现SC-AIT： 基于提出的架构，为图像分类任务实现SC-AIT，并建立表面缺陷检测的原型。
3. 设计知识库：利用CNN对特征映射的输出梯度作用映射到不同类的重要性权重作为知识库。
4. 性能评估： 通过实验结果验证SC-AIT的效率，并与传统JPEG传输和未考虑AITs的SCs进行比较。

实验设计:

1. 原型建立： 建立SC原型，用于实施SC-AIT，考虑热轧钢带表面缺陷检测任务。
2. 性能评估： 在NEU数据集和STL-10数据集上评估SC-AIT的性能，比较不同信噪比（SNR）和不同可用带宽下的分类准确率。

结果分析:

1. 带宽需求： SC-AIT相比传统JPEG传输方法，具有更低的带宽需求。
2. 分类准确率： SC-AIT在高达40%的分类准确率增益方面优于技术层面的通信。
3. 复杂性分析： SC-AIT的系统运行时复杂性低于传统JPEG传输，特别适合延迟敏感型应用和计算能力有限的系统。
4. 资源分配： SCs需要通信和智能的无缝集成，涉及通信资源、计算资源、缓存资源和控制策略的联合分配。

总体结论:

1. SC-AIT的贡献： 提出了一种新的SC-AIT范式，通过在有效性层面放置AI任务，仅传输对AI任务重要的语义信息，有效完成AI任务。
2. 未来工作： 将研究提出的SC方法的资源分配问题，并将设计原则应用于其他AI任务和神经网络。