.png){kind=icon}
返回
Selective Depthwise Separable Convolution for Lightweight Joint Source-Channel Coding in Wireless Image Transmission
.png){kind=icon}
PRE
AI
DOI：10.1109/lwc.2026.3738148.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度可分离卷积（DSConv）层已被广泛应用于替代卷积（Conv）层，以降低基于深度学习（DL）的联合信源信道编码（JSCC）方案的计算复杂度。然而，针对无线图像传输中基于DL的JSCC系统，在不同层位置和比例下进行Conv到DSConv替代的系统研究仍 largely unexplored。在本封信中，我们提出了一种轻量级卷积神经网络（CNN）基的JSCC框架，并设计了一种可配置且计算复杂度感知的Conv到DSConv替代策略，实现了在不同层位置和比例下的灵活替代。通过调整替代比例，我们获得了具有不同计算复杂度的模型，并分析了其对重建性能的影响。此外，我们研究了在固定替代比例下，Conv到DSConv替代在不同层位置对重建质量的影响。结果表明，在编码器和译码器的中间层进行Conv到DSConv替代能够实现有利的复杂度-性能权衡，为轻量级CNN基JSCC系统的设计提供了实用指导。大量实验证明，所提出的框架在仅轻微降低性能的情况下显著降低了计算复杂度，为资源受限的边缘设备提供了灵活的复杂度-性能权衡。
Keyword:
Lightweight joint source-channel coding
deep learning
depthwise separable convolution
wireless image transmission
期刊
I
IF:
5.5
论文数:
824
被引数:
0
机构
查看更多机构
引用论文
暂无论文信息