Semantic Communications With AI Tasks——面向图像分类任务的语义传输系统

论文链接： 

2109.14170 (arxiv.org)https://arxiv.org/pdf/2109.14170

1. 背景

        无线网络从“万物互联”向“智能互联”转变的范式变化，这与香农和韦弗关于通信演变的预言相一致。传统的无线网络侧重于信号的准确传输（技术层面），而语义通信则将重点转移到传输信号背后的语义信息（语义层面）。本文提出了一种结合人工智能任务的语义通信方法，称为带有AI任务的语义通信（SC-AIT），该方法通过将AI任务融入通信过程，大幅提升了通信效率。传统通信，重点在于准确传输符号；而语义通信，重点在于传输有意义的信息，减少不必要的数据传输。当该方法应用于图像分类任务时，SC-AIT能够显著降低带宽需求，并且相比于技术层面的通信，提高了超过40%的分类准确率。

2. 系统框架

        SC-AIT 引入了三层通信模型：

• 有效性层：关注源信息和AI任务，将其存储在知识库（KB）中，并根据任务的重要性决定传输哪些信息。
• 语义层：提取源信息的语义部分并编码以便传输，减少冗余，只保留对AI任务有影响的信息。
• 技术层：与传统系统类似，但传输的是压缩后的语义数据。

其中，知识库（KB） 是关键，它包含了AI任务与数据之间的关系，帮助系统根据任务需求决定传输哪些数据。例如，在包含狗和猫的图像中，如果AI任务是识别狗，关于猫的信息可以被丢弃。该架构通过卷积神经网络（CNN） 实现。CNN负责从图像中提取语义信息，例如与AI任务相关的关键特征（如检测表面缺陷）。知识库帮助CNN优先处理与任务最相关的特征。

3. 原型建立与性能评估

        建立了一个用于检测热轧钢板表面缺陷的原型，传感器配备摄像头用于捕获图像。该原型实现了SC-AIT，包括发射端和接收端。发射端捕获并处理图像，提取语义信息，并将其传输到接收端，接收端根据语义数据进行分类。该原型使用了NEU表面缺陷数据集，包含1800幅六种表面缺陷的灰度图像。系统处理并传输这些图像，同时丢弃不必要的背景信息。

        SC-AIT的性能与传统的通信方法（如JPEG图像传输）进行比较，主要评估指标为信噪比（SNR） 和每像素比特数（bpp）。实验结果表明，SC-AIT在低SNR环境下显著优于JPEG压缩，并能在保持高分类精度的同时大幅减少带宽需求。例如，在压缩98%的特征图时，SC-AIT仍然比JPEG传输提高了超过40%的准确率。

        本文提出了带有AI任务的语义通信（SC-AIT） 方法，以提升通信效率。通过引入一种与香农和韦弗的愿景相一致的架构，实验表明SC-AIT能够在图像分类任务中显著提升带宽利用率和准确率。未来的研究将重点放在语义通信的数学基础上、优化神经网络以提高任务性能，以及解决资源分配中的挑战。