语义通信论文略读（十六）多任务+中继通道

最新推荐文章于 2025-10-24 19:46:52 发布
最新推荐文章于 2025-10-24 19:46:52 发布
阅读量1.1k 收藏 27
点赞数 35
CC 4.0 BY-SA版权
分类专栏： 语义通信论文略读 文章标签： 信息与通信 人工智能 深度学习 物联网
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_54192524/article/details/143886319

Two Birds with One Stone: Multi-Task Semantic Communications Systems over Relay Channel

一石二鸟：中继通道上的多任务语义通信系统

· 作者: Yujie Cao, Tong Wu, Zhiyong Chen, Yin Xu, Meixia Tao, Wenjun Zhang
· 所属机构: 上海交通大学
· 时间： 2024 年 10 月 16 日
· 期刊： 提交给 IEEE WCNC

非常喜欢陶梅霞老师！希望有机会能去学习。

研究背景:

1、卷积神经网络已经引入联合信源信道编码（JSCC），进行图像传输，在一些文献当中额外增加了解码器头来处理不同的任务，提出了一个特征重要性排序模块来评估每个特征对任务性能的影响。此外，一些文献将每个任务的特征划分为共享组和私有组，允许节点有选择性地传输特征，从而提高效率。
2、在实践中，通过中继节点的通信是常见的，因为远程双方之间的直接通信往往是信号质量差。
3、只有一项研究探讨了SD链路在语义中继通信中的使用，其中目标节点采用语义组合方法来集成来自SD链路和中继-目的地（RD）链路的信号。研究仅关注文本传输，缺乏专门的多任务通信设计。

研究方法:

最低0.47元/天 解锁文章
【JSCC1】JSCC信源信道联合编译码理论简介
FPGA/MATLAB学习教程/源码/项目合作开发
04-30 2305
联合源信道编码（Joint Source-Channel Coding，简称JSCC）是一种同时考虑源编码和信道编码的编码策略。其主要目标是在有限的信道带宽和信道容量下，实现源信号的可靠传输和高质量恢复。JSCC的理论基础主要来自两个方面：Shannon的信源编码定理和信道编码定理。信源编码定理：描述了无损压缩的极限。对于一个独立同分布（i.i.d.）的离散信源，其熵H(X)表示了能够表示该信源所需的最少平均比特数。信道编码定理：描述了可靠通信的极限。
SwinJSCC: 基于Swin Transformer的深度联合信源信道编码技术深度解析
qq_36224726的博客
07-31 997
SwinJSCC是一种基于SwinTransformer的深度联合信源信道编码系统，创新性地将层次化Transformer架构应用于图像传输任务。该系统通过Swin编码器提取图像特征，经信道传输后由对称解码器重建图像，支持自适应调制机制以应对不同信道条件和传输速率需求。相比传统分离式编码方案，SwinJSCC实现了端到端优化，在压缩效率和传输质量方面表现出色，同时通过窗口注意力机制降低了计算复杂度。该技术为5G/6G通信、边缘计算等场景提供了高效的图像传输解决方案，展现了深度学习在通信系统中的巨大潜力。
信源信道联合编码(Joint Source-channel Coding,JSCC)
热门推荐
一去不复返的通信er
05-29 1万+
JSCC
《Predictive and Adaptive Deep Coding for WirelessImage Transmission in Semantic Communication》
weixin_47649129的博客
05-27 2864
语义通信是一种新兴的通信范式，它利用深度学习（DL）模型来实现信源编码和信道编码等通信过程。最近的进展表明，基于DL的联合信源信道编码（DeepJSCC）可以实现令人兴奋的数据压缩和噪声弹性性能的无线图像传输任务，特别是在低信道信噪比（SNR）的环境中。然而，现有的基于DeepJSCC的语义通信框架仍然不能实现针对不同信道SNR和图像内容的自适应码率，这降低了其灵活性和带宽效率。在本文中，我们提出了一个预测和自适应深度编码（PADC）框架，实现灵活的码率优化与给定的目标传输质量要求。
语义通信论文略读（四）MambaJSCC: Adaptive Deep Joint Source-Channel Coding with Generalized State Space Model
qq_54192524的博客
11-10 1767
MambaJSCC作为一种新型的轻量级和高效的JSCC架构，通过VSSM-CA模块和CSI-ReST方法，不仅在图像传输性能上超越了现有的JSCC方法，而且显著减少了参数大小、计算开销和推理延迟。2. MambaJSCC架构： 本文提出了一种名为MambaJSCC的新型JSCC架构，通过视觉状态空间模型（VSSM-CA）块作为其骨干，实现了最先进的性能，同时具有低计算和参数开销。3. 通道自适应能力： CSI-ReST方法在不增加额外计算和参数开销的情况下，实现了有效的通道自适应能力。
语义通信论文略读（十八）轻量级的语义通信系统
qq_54192524的博客
12-23 776
作者: Weihan Zhang, Shaohua Wu, Siqi Meng, Jinghang He, Qinyu Zhang· 所属机构: 哈尔滨工业大学(深圳)电子与信息工程学院；广东航天航空大学航天通信与网络技术重点实验室· 关键词: 深度联合源信道编码，边缘设备，物联网，Rician衰落信道，轻量级模型量化。
语义通信论文略读（十三）语义通信辅助水下无线光通信
qq_54192524的博客
11-12 1355
2. 语义通信(SC)： SC关注语义信息的成功传输，通过深度整合人工智能和信息通信技术，显著提高通信系统的传输速率和鲁棒性。3. 最大数据率： 在纯水环境中，ESA-UWOSC系统能够在不同的采样率下传输图像，评估了系统在不同采样率下的图像重建性能。1. 性能对比： ESA-UWOSC系统在不同杂质浓度的水下环境中，与基线方案相比，实现了更低的BCR和更高的图像重建质量。1. 系统优势： ESA-UWOSC系统通过引入环境语义，提高了水下图像传输的效率和鲁棒性，尤其在恶劣信道环境下表现更佳。
语义通信论文略读（十五）特征重要排序处理多个下游任务
qq_54192524的博客
11-18 1213
1. SMSC-FIR系统： 提出的SMSC-FIR系统通过联合语义编码器提取多任务相关特征，并通过特征重要性排序实现特征的可扩展传输，显著提升了在低SNR环境下的性能。1. 性能增益： 与传统方法和基于深度学习(DL)的可扩展编码方法相比，提出的SMSC-FIR系统在各个任务的性能上均有所提升，特别是在低信噪比(SNR)环境下。2. 特征重要性排序的效果： SMSC-FIR利用特征重要性排序，确保最重要的特征优先传输，从而在不同SNR水平下均接近完整传输的性能上限。具体来说可传输的位数为。
语义通信论文略读（六）Variational Source-Channel Coding for Semantic Communication
qq_54192524的博客
11-10 835
2. 语义通信技术的兴起： 语义通信技术作为连接AI与经典通信的关键桥梁，其系统通常采用自动编码器（AE）模型，但AE缺乏AI原理与通信策略的深度整合，难以解释联合源信道编码（JSCC）的必要性和性能提升的原因。3. 变分源信道编码（VSCC）方法的提出： 基于数据失真理论，结合变分推断和信道特性，提出VSCC方法构建语义通信系统，使用深度学习网络开发基于VSCC方法的语义通信系统，并展示其语义传输能力。2. JSCC的必要性分析： 由于语义通信涉及数据失真，JSCC成为实现最优语义通信的必要策略。
语义通信论文略读（一）：Semantic Communications for Future Internet: Fundamentals, Applications, and Challenges
qq_54192524的博客
10-22 2783
原文内容：随着对智能服务需求的不断增长，6G无线网络将从只专注于高传输速率的传统架构转变为基于一切智能连接的新架构。语义通信（SemCom）是一种革命性的架构，将用户、应用需求和信息的意义集成到数据处理和传输中，有望成为6G新的核心范式。虽然SemCom有望超越经典的香农范式，但在实现支持SemCom的智能互联网的道路上，需要克服一些障碍。SemCom在6G中使用的动机SemCom相关理论发展面向语义的通信、面向目标的通信、语义感知通信SI提取、SI传输、SI度量SemCom在6G中的潜在应用。
语义通信论文略读（五）Language-oriented Semantic Communication for Image Transmission with Fine-Tuned Diffusion
qq_54192524的博客
11-10 1389
通过将图像转换为文本，利用基于Transformer的文本传输模型，并使用扩散模型进行图像重建，实验结果表明该框架能够在显著减少传输数据量的同时，保持语义信息，并在文本传输过程中提供比基线方法更好的鲁棒性。1. 系统模型和问题表述： 构建了一个包括语义编码器、语义传输和语义解码器的框架，通过图像到文本模型、文本的编码和解码以及基于接收文本重建图像的过程。1. 文本传输性能： 实验结果表明，所提出的框架在肖像图像传输任务中，能够在有效减少数据量的同时，保持高感知相似度，并对噪声具有鲁棒性。
语义通信论文略读（十四）线性编码和传输的优化+边缘服务器执行CV任务
qq_54192524的博客
11-18 834
CV-Cast方案主要关注的是线性编码和传输（Linear Coding and Transmission, LCT）的优化，以适应计算机视觉任务的准确性，而不是每个像素的失真。损失失真是指由于压缩和传输噪声导致的神经网络（NN）损失的变化。具体来说，块的选择是基于块方差和梯度范数的乘积的降序排列，而功率分配系数βk是通过最小化损失失真的表达式来确定的。1. 默认配置性能： CV-Cast在默认配置下，与基线LCT相比，在语义分割和对象检测任务中，传输符号数量减少了28%和15%，同时保持相同的准确性。
【IEEE/EI/Scopus检索】2026 第三届电气，信息与通信工程国际会议（CEICE 2026）
CSTechEi的博客
08-20 736
CEICE2026第三届电气、信息与通信工程国际会议将于2026年3月27-29日在杭州举行。会议旨在为全球学者、研究人员提供交流平台，涵盖电气工程、通信技术、智能控制等前沿领域。录用论文将由IEEE出版，收录至IEEEXplore并提交Ei、Scopus等数据库检索（往届论文已成功被检索）。诚邀投稿原创研究成果，参与口头报告或海报展示。征文主题包括可再生能源、电动汽车、智能系统等方向。
Deepseek-ocr论文精读
wanzhong2333的博客
10-21 1630
给出了几个重要信息这是一篇探究视觉二维映射（optical 2D mapping）实现长上下文压缩的可行性的文章。这个模型不怕高分辨率的输入。当视觉图像压缩比很高的情况下，识别的精度依然很高。模型推理速度快，单张 A100-40G 显卡搭载的 DeepSeek-OCR 每日可生成 20 万页以上的数据。下图其他模型的在基准测试中对比，出手就是王炸，deepseek-ocr系列包揽了整个外围，类似机器学习的AUC图像，面积越大，模型性能越好。
密集向量，稀疏向量，二进制向量 之间有什么区别和联系
陈开心的博客
10-21 1345
摘要： 密集向量（Dense Vector）、稀疏向量（Sparse Vector）和二进制向量（Binary Vector）是机器学习中常用的三种向量表示方法。密集向量由连续浮点数组成，通常由神经网络生成，用于捕获语义信息（如BERT嵌入）。稀疏向量大部分维度为0，适用于词袋模型或TF-IDF，高效存储非零特征。二进制向量仅用0/1表示特征存在性，适合布尔场景（如图片哈希）。三者区别在于数值类型、维度和应用场景：密集向量适合语义匹配，稀疏向量用于关键词检索，二进制向量用于快速特征比对。现代系统（如Milv
软件所2025预推免
最新发布
qq_73354094的博客
10-24 419
2.大笨钟，00:00-12:00不报时（包含端点），后半天报时，整点就报对应的时间，超出的就多报一声，例如13:00报一声，13:05报两声。8.在100米的航道，两船开始时相向而行，第一船100米用72秒，第二船100米60秒，掉头不算时间，问在12分钟内相遇几次？2.观察n天，7天有不活跃情况（上午或者下午不活跃），5天上午活跃，6天下午活跃，如果下午不活跃上午一定活跃，问观察了几天。11.10张牌，开始时都是反面，1的倍数翻一次，2的倍数翻一次，一直到10，问最后正面朝上的最大和最小的差值是多少？
合合信息亮相PRCV：多模态文本智能与内容安全双擎驱动的技术突破与实践解析
2501_92808811的博客
10-22 694
合合信息的方案首先通过CV模型定位图片中的文字区域（如用户发布的广告图中的宣传语），再通过OCR提取文字后，利用多模态模型判断图文关联性（如图片为儿童玩具，但文字包含“成人用品促销”这类矛盾内容），最后结合内容安全模型的敏感实体识别（如违禁药品名称）与情感分析（如煽动性词汇密度）输出拦截建议。例如，一张包含文字的发票图片（图像模态），需要先通过OCR（光学字符识别）提取文字（文本模态），再结合发票模板规则（结构化知识）与业务上下文（如报销政策）进行语义分析（文本推理）。合合信息的技术突破在于：通过。
如何建模，将真实问题建模为模型问题【持续更新，没写完】
qq_41764621的博客
10-23 573
文章摘要： 机器学习模型的核心在于其"归纳偏置"，即模型对未知数据的假设偏好。不同模型具有独特的偏置：线性回归假设线性关系；CNN依赖局部性和平移不变性；RNN强调序列信息；Transformer采用全局上下文和动态关系偏置；LLM则基于"预测下一个词"的自回归偏置。理解模型的关键在于分析其偏置内容，包括继承的基础偏置、引入的新架构设计及其假设、性能权衡等。这一视角为模型分析和论文阅读提供了系统框架。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值