論文の概要: Deep Joint Source Channel Coding for WirelessImage Transmission with
OFDM
- arxiv url: http://arxiv.org/abs/2101.03909v1
- Date: Tue, 5 Jan 2021 22:27:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-11 11:24:16.079334
- Title: Deep Joint Source Channel Coding for WirelessImage Transmission with
OFDM
- Title（参考訳）: OFDMを用いた無線画像伝送のためのディープジョイントソースチャネル符号化
- Authors: Mingyu Yang, Chenghong Bian, and Hun-Seok Kim
- Abstract要約: 提案したエンコーダとデコーダは畳み込みニューラルネットワーク(CNN)を使用して、ソースイメージを直接複雑な値のベースバンドサンプルにマッピングする。
提案されたモデル駆動機械学習アプローチは、ソースとチャネルのコーディングを分離する必要をなくす。
本手法はOFDMの非線形信号遮断に対して様々なチャネル条件で堅牢であることが示された。
- 参考スコア（独自算出の注目度）: 6.799021090790035
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a deep learning based joint source channel coding (JSCC) scheme
for wireless image transmission over multipath fading channels with non-linear
signal clipping. The proposed encoder and decoder use convolutional neural
networks (CNN) and directly map the source images to complex-valued baseband
samples for orthogonal frequency division multiplexing (OFDM) transmission. The
proposed model-driven machine learning approach eliminates the need for
separate source and channel coding while integrating an OFDM datapath to cope
with multipath fading channels. The end-to-end JSCC communication system
combines trainable CNN layers with non-trainable but differentiable layers
representing the multipath channel model and OFDM signal processing blocks. Our
results show that injecting domain expert knowledge by incorporating OFDM
baseband processing blocks into the machine learning framework significantly
enhances the overall performance compared to an unstructured CNN. Our method
outperforms conventional schemes that employ state-of-the-art but separate
source and channel coding such as BPG and LDPC with OFDM. Moreover, our method
is shown to be robust against non-linear signal clipping in OFDM for various
channel conditions that do not match the model parameter used during the
training.
- Abstract（参考訳）: 非線形信号クリップによるマルチパスフェーディングチャネル上での無線画像伝送のためのディープラーニングベースジョイントソースチャネル符号化(JSCC)方式を提案する。
提案するエンコーダとデコーダは畳み込みニューラルネットワーク(cnn)を使用し、ソースイメージを複素値ベースバンドサンプルに直接マッピングし、直交周波数分割多重(ofdm)伝送を行う。
提案したモデル駆動機械学習アプローチは、マルチパスフェーディングチャネルに対処するためにOFDMデータパスを統合しながら、ソースとチャネルを分離する必要がない。
エンドツーエンドのJSCC通信システムは、トレーニング可能なCNN層と、マルチパスチャネルモデルとOFDM信号処理ブロックを表す非トレーニング可能な異なるレイヤを組み合わせる。
機械学習フレームワークにofdmベースバンド処理ブロックを組み込むことで、ドメインエキスパートの知識を注入することで、非構造化cnnと比較して全体的なパフォーマンスが大幅に向上することを示す。
提案手法は,BPGやLDPCなど,最先端のソースとチャネルをOFDMで符号化する従来の方式よりも優れている。
また,ofdmの非線形信号クリッピングに対して,訓練中のモデルパラメータに適合しない各種チャネル条件に対して頑健であることが示されている。
関連論文リスト
- Channel-Feedback-Free Transmission for Downlink FD-RAN: A Radio Map based Complex-valued Precoding Network Approach [21.53419874372417]
本稿では,物理層フィードバックに頼ることなく,新しい伝送方式を提案する。
具体的には,無線地図に基づく複合値プリコーディングネットワーク(RMCPNet)モデルを設計し,ユーザ位置に基づいて基地局プリコーディングを出力する。
提案手法をパブリックなDeepMIMOデータセット上で評価し,RMCPNetが16%,76%の性能改善を実現可能であることを示す。
論文 参考訳（メタデータ） (2023-11-30T02:41:04Z) - On Neural Architectures for Deep Learning-based Source Separation of
Co-Channel OFDM Signals [104.11663769306566]
周波数分割多重化(OFDM)信号を含む単一チャネル音源分離問題について検討する。
我々はOFDM構造からの洞察に基づいて、ネットワークパラメータ化に対する重要なドメインインフォームド修正を提案する。
論文 参考訳（メタデータ） (2023-03-11T16:29:13Z) - Data-Driven Deep Learning Based Hybrid Beamforming for Aerial Massive
MIMO-OFDM Systems with Implicit CSI [29.11998008894847]
本稿では,データ駆動型深層学習に基づく統合ハイブリッドビームフォーミングフレームワークを提案する。
TDDシステムでは、提案されたDLベースのアプローチは、E2Eニューラルネットワークとして、アップリンクパイロットの組み合わせとダウンリンクハイブリッドビームフォーミングモジュールを共同でモデル化する。
FDDシステムにおいて、我々は、E2Eニューラルネットワークとして、ダウンリンクパイロットトランスミッション、アップリンクCSIフィードバック、およびダウンリンクハイブリッドビームフォーミングモジュールを共同でモデル化する。
論文 参考訳（メタデータ） (2022-01-18T07:21:00Z) - A Signal Detection Scheme Based on Deep Learning in OFDM Systems [5.260367962320027]
我々はOFDMシステムにおける信号検出のためのデータ駆動ディープラーニングを開発した。
DDLSD方式は,チャネル推定および信号検出性能の向上の観点から,従来の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-07-24T04:25:46Z) - End-to-End Learning for Uplink MU-SIMO Joint Transmitter and
Non-Coherent Receiver Design in Fading Channels [11.182920270301304]
JTRD-Netと呼ばれる新しいエンドツーエンド学習手法が提案され、マルチユーザシングルインプットマルチ出力(MU-SIMO)ジョイントトランスミッタとフェーディングチャネルにおける非コヒーレントレシーバー設計(JTRD)をアップリンクする。
送信側は、マルチユーザー波形設計を担当する並列線形層のグループとしてモデル化されています。
非コヒーレント受信機は、マルチユーザ検出(MUD)機能を提供するために、ディープフィードフォワードニューラルネットワーク(DFNN)によって形成される。
論文 参考訳（メタデータ） (2021-05-04T02:47:59Z) - Model-Driven Deep Learning Based Channel Estimation and Feedback for
Millimeter-Wave Massive Hybrid MIMO Systems [61.78590389147475]
本稿では,ミリ波(mmWave)システムのモデル駆動深層学習(MDDL)に基づくチャネル推定とフィードバック方式を提案する。
無線周波数(RF)鎖の限られた数から高次元チャネルを推定するためのアップリンクパイロットオーバーヘッドを低減するために,位相シフトネットワークとチャネル推定器を自動エンコーダとして共同で訓練することを提案する。
MDDLに基づくチャネル推定とフィードバック方式は,最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-04-22T13:34:53Z) - Learning from Heterogeneous EEG Signals with Differentiable Channel
Reordering [51.633889765162685]
CHARMは、一貫性のない入力チャネルをまたいだ単一のニューラルネットワークのトレーニング方法である。
我々は4つの脳波分類データセットの実験を行い、CHARMの有効性を実証した。
論文 参考訳（メタデータ） (2020-10-21T12:32:34Z) - Channel-Level Variable Quantization Network for Deep Image Compression [50.3174629451739]
チャネルレベルの可変量子化ネットワークを提案し、重要なチャネルに対してより多くの畳み込みを動的に割り当て、無視可能なチャネルに対して退避する。
提案手法は優れた性能を実現し,より優れた視覚的再構成を実現する。
論文 参考訳（メタデータ） (2020-07-15T07:20:39Z) - Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。
このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。
提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
論文 参考訳（メタデータ） (2020-02-14T06:58:27Z) - Modality Compensation Network: Cross-Modal Adaptation for Action
Recognition [77.24983234113957]
異なるモダリティの関係を探索するためのモダリティ補償ネットワーク(MCN)を提案する。
我々のモデルは、適応表現学習を実現するために、モーダリティ適応ブロックによって、ソースおよび補助モーダリティからのデータをブリッジする。
実験の結果,MCNは4つの広く使用されている行動認識ベンチマークにおいて,最先端のアプローチよりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-01-31T04:51:55Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。