論文の概要: Deep Joint Source-Channel Coding for Wireless Image Transmission with Adaptive Rate Control

• arxiv url: http://arxiv.org/abs/2110.04456v1
• Date: Sat, 9 Oct 2021 04:56:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-12 20:59:37.686279
• Title: Deep Joint Source-Channel Coding for Wireless Image Transmission with Adaptive Rate Control
• Title（参考訳）: 適応速度制御による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, Hun-Seok Kim
• Abstract要約: 無線画像伝送のための適応型ディープ・ソース・チャネル符号化(JSCC)方式を提案する。 提案手法は、単一ディープニューラルネットワーク(DNN)モデルを用いて複数のレートをサポートし、チャネル条件と画像内容に基づいて速度を動的に制御することを学ぶ。
• 参考スコア（独自算出の注目度）: 9.027323501412654
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a novel adaptive deep joint source-channel coding (JSCC) scheme for wireless image transmission. The proposed scheme supports multiple rates using a single deep neural network (DNN) model and learns to dynamically control the rate based on the channel condition and image contents. Specifically, a policy network is introduced to exploit the tradeoff space between the rate and signal quality. To train the policy network, the Gumbel-Softmax trick is adopted to make the policy network differentiable and hence the whole JSCC scheme can be trained end-to-end. To the best of our knowledge, this is the first deep JSCC scheme that can automatically adjust its rate using a single network model. Experiments show that our scheme successfully learns a reasonable policy that decreases channel bandwidth utilization for high SNR scenarios or simple image contents. For an arbitrary target rate, our rate-adaptive scheme using a single model achieves similar performance compared to an optimized model specifically trained for that fixed target rate. To reproduce our results, we make the source code publicly available at https://github.com/mingyuyng/Dynamic_JSCC.
• Abstract（参考訳）: 本稿では,無線画像伝送のための新しい適応型深層チャネル符号化(jscc)方式を提案する。 提案手法は,単一のディープニューラルネットワーク(dnn)モデルを用いて複数のレートをサポートし,チャネル条件と画像内容に基づいて速度を動的に制御する。 具体的には、レートと信号品質のトレードオフ空間を利用するためにポリシーネットワークを導入する。 ポリシネットワークのトレーニングには,Gumbel-Softmax のトリックを採用してポリシネットワークの差別化を実現し,JSCC のスキーム全体をエンドツーエンドにトレーニングすることができる。 我々の知る限りでは、これは単一のネットワークモデルを用いて自動的にレートを調整できる最初のディープJSCCスキームである。 実験の結果,高snrシナリオや簡易画像コンテンツのチャネル帯域幅利用率を低減させる合理的なポリシーが得られた。 任意のターゲットレートに対して,固定目標レートに特化して訓練された最適化モデルと比較して,単一モデルを用いたレート適応型スキームが同様の性能を達成する。 結果を再現するため、ソースコードはhttps://github.com/mingyuyng/Dynamic_JSCCで公開しています。

関連論文リスト

• Learned Image Transmission with Hierarchical Variational Autoencoder [28.084648666081943]
  画像伝送のための革新的階層型ジョイントソースチャネル符号化(HJSCC)フレームワークを提案する。 提案手法では,送信側のボトムアップパスとトップダウンパスの組み合わせを利用して,元の画像の複数の階層表現を自動回帰的に生成する。 提案手法は, 周波数歪み特性において既存のベースラインより優れ, チャネルノイズに対するロバスト性を維持している。
  論文  参考訳（メタデータ） (2024-08-29T08:23:57Z)
• Interference-Limited Ultra-Reliable and Low-Latency Communications: Graph Neural Networks or Stochastic Geometry? [45.776476161876204]
  我々は、繰り返しスキームを表現し、それを訓練するために、ランダムエッジグラフニューラルネットワーク(REGNN)をケースケードで構築する。 対称シナリオにおける幾何学的手法による違反確率を解析し、モデルに基づくExhaustive Search (ES) 法を適用して最適解を求める。
  論文  参考訳（メタデータ） (2022-07-11T05:49:41Z)
• Variable-Rate Deep Image Compression through Spatially-Adaptive Feature Transform [58.60004238261117]
  空間特徴変換(SFT arXiv:1804.02815)に基づく多目的深部画像圧縮ネットワークを提案する。 本モデルは,任意の画素単位の品質マップによって制御される単一モデルを用いて,幅広い圧縮速度をカバーしている。 提案するフレームワークにより,様々なタスクに対してタスク対応の画像圧縮を行うことができる。
  論文  参考訳（メタデータ） (2021-08-21T17:30:06Z)
• Rate Distortion Characteristic Modeling for Neural Image Compression [59.25700168404325]
  エンドツーエンドの最適化機能は、ニューラルイメージ圧縮(NIC)の優れた損失圧縮性能を提供する。 異なるモデルは、R-D空間の異なる点に到達するために訓練される必要がある。 深層ネットワークと統計モデルを用いてNICのR-D挙動を記述するために,本質的な数学的関数の定式化に努めている。
  論文  参考訳（メタデータ） (2021-06-24T12:23:05Z)
• Bandwidth-Agile Image Transmission with Deep Joint Source-Channel Coding [7.081604594416339]
  画像が時間や頻度で徐々に層に伝達されるシナリオを考察する。 DeepJSCC-$l$は、畳み込みオートエンコーダを使用する革新的なソリューションである。 DeepJSCC-$l$は、低信号対雑音比(SNR)と小さな帯域幅規則の挑戦において、最先端のデジタルプログレッシブ伝送方式と同等の性能を持つ。
  論文  参考訳（メタデータ） (2020-09-26T00:11:50Z)
• Wireless Image Retrieval at the Edge [20.45405359815043]
  本研究では、エッジデバイスが画像をキャプチャし、エッジサーバから同様の画像を検索するために使用される無線エッジにおける画像検索問題について検討する。 我々の目標は、無線リンクに対する電力及び帯域幅制約下での検索タスクの精度を最大化することである。 本稿では,デジタル通信とアナログ通信の2つの方法を提案する。
  論文  参考訳（メタデータ） (2020-07-21T16:15:40Z)
• 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)
• Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
  シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。 本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。 我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
  論文  参考訳（メタデータ） (2020-04-08T10:08:20Z)
• Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
  本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。 標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2020-04-06T15:51:00Z)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。