.png){kind=icon}
返回
Task-Oriented Deep Joint Source-Channel Coding with Semantic-Aware Adaptive Quantization for Autonomous Driving
.png){kind=icon}
OA
AI
DOI：10.3390/s26165035.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在自动驾驶和智能交通中，车辆需要共享视觉感知信息以扩展感知范围，但传统的分离源信道编码在恶劣的车辆信道下可能遭受悬崖效应，导致下游感知失败。本文提出了一种端到端的语义通信系统，用于自动驾驶语义分割。该系统采用SegFormer-B2作为语义编码器，根据信噪比SNR进行特征调制，基于Gumbel-Softmax应用语义感知的自适应位宽量化，并使用面向任务的解码器直接生成分割图。在Cityscapes上的实验评估了该系统在加性高斯白噪声（AWGN）和每通道独立的块瑞利衰落信道下的性能，并与基于JPEG的分离基线和固定位宽变体进行了比较。在AWGN下，所提出的系统在SNR = −6 dB时保持平均交并比（mIoU）高于0.70，而传统基线在SNR = 0 dB时失败，mIoU仅为0.02，表明对悬崖效应的鲁棒性有所提升。结果还显示量化精度与分割性能之间存在非单调关系：固定4位量化可能优于固定6位量化，因为更精细的量化对信道噪声更敏感。在瑞利衰落下，自适应量化可能因语义-信道失配而受损，为未来的信道感知语义资源分配提供了有价值的观察结果。
Keyword:
semantic communication
deep joint source-channel coding
autonomous driving
semantic segmentation
adaptive quantization
channel bandwidth ratio
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
引用论文
Qin, Z.; Tao, X.; Lu, J.; Tong, W.; Li, G.Y. Semantic Communications: Principles and Challenges. arXiv 2022. [Google Scholar] [CrossRef]秦, Z.; 陶, X.; 陆, J.; 唐文, W.; 李, G.Y. 语义通信:原理与挑战. arXiv 2022. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏A Vision of 6G Wireless Systems: Applications, Trends, Technologies, and Open Research Problems6g无线系统的愿景: 应用，趋势，技术和开放研究问题IEEE NETWORK
OAAI
IEEE NETWORKIF6.3
OAAI分享收藏
查看更多内容