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

CSDN 2024-10-20 12:01:01 阅读 61

论文链接: 

2109.14170 (arxiv.org)

icon-default.png?t=O83A

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)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。



声明

本文内容仅代表作者观点,或转载于其他网站,本站不以此文作为商业用途
如有涉及侵权,请联系本站进行删除
转载本站原创文章,请注明来源及作者。