.png){kind=icon}
返回
Contrastive Learning-Based Semantic Communications
.png){kind=icon}
OA
AI
DOI：10.1109/TCOMM.2024.3400912.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
最近，人们对基于学习的语义通信越来越感兴趣，因为它可以使有意义的语义信息的保存优先于传输符号的准确性，从而提高通信效率。然而，现有的基于学习的方法在定义语义级别损失方面仍然面临限制，并且通常难以在保留语义信息和保留复杂细节之间找到良好的折衷。此外，在没有下游模型支持的情况下，现有的语义通信方法不能有效地训练语义编码器和解码器。为了解决这些局限性，本文提出了一种基于对比学习 (CL) 的语义通信系统。首先，受实际观察的启发，我们引入了语义对比损失的概念，并提出了一种语义对比编码 (SemCC) 方法，该方法将传输过程中的数据损坏视为CL框架内的一种数据增强形式。而且，我们提出了一种语义重新编码 (SemRE) 操作，该操作使用部署在接收器处的语义编码器的副本，以在下游模型不可访问时指导整个训练过程。此外，我们分别设计了SemCC和SemRE方法的训练过程，以平衡语义信息和复杂的细节。最后，进行了仿真，以证明所提出的方法优于竞争方法。特别是，我们的方法在带宽压缩比为1/24的CIFAR-10数据集上实现了高达53% 的显着精度提高，并且随着带宽压缩比的提高，还获得了可比较的图像重建质量。
Keyword:
Semantic communication
contrastive learning
joint source-channel coding
image transmission
Semantic communication
contrastive learning
joint source-channel coding
image transmission
期刊
IF:
8.3
论文数:
1.2W
被引数:
3.6W
机构
引用论文
.png){kind=icon}
On the Road to 6G: Visions, Requirements, Key Technologies, and Testbeds在通往6g的道路上: 愿景、需求、关键技术和测试平台OAAI
OAAI分享收藏
Study of bi-directional buck-boost converter topologies for application in electrical vehicle motor drives应用于电动汽车电机驱动的双向buck-boost变换器拓扑研究
PREAI
分享收藏
查看更多内容