論文の概要: DeepJSCC-Q: Constellation Constrained Deep Joint Source-Channel Coding
- arxiv url: http://arxiv.org/abs/2206.08100v1
- Date: Thu, 16 Jun 2022 11:43:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-18 03:11:36.205823
- Title: DeepJSCC-Q: Constellation Constrained Deep Joint Source-Channel Coding
- Title（参考訳）: deepjscc-q: コンステレーション制約付きディープジョイントソースチャネルコーディング
- Authors: Tze-Yang Tung, David Burth Kurka, Mikolaj Jankowski, Deniz Gunduz
- Abstract要約: 我々は、DeepJSCC-Qが、複雑な値のチャネル入力を可能にする以前の作業と同じような性能を実現できることを示す。
DeepJSCC-Qは予測不能なチャネル条件下での画質の優雅な劣化を保っている。
- 参考スコア（独自算出の注目度）: 6.55705721360334
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent works have shown that modern machine learning techniques can provide
an alternative approach to the long-standing joint source-channel coding (JSCC)
problem. Very promising initial results, superior to popular digital schemes
that utilize separate source and channel codes, have been demonstrated for
wireless image and video transmission using deep neural networks (DNNs).
However, end-to-end training of such schemes requires a differentiable channel
input representation; hence, prior works have assumed that any complex value
can be transmitted over the channel. This can prevent the application of these
codes in scenarios where the hardware or protocol can only admit certain sets
of channel inputs, prescribed by a digital constellation. Herein, we propose
DeepJSCC-Q, an end-to-end optimized JSCC solution for wireless image
transmission using a finite channel input alphabet. We show that DeepJSCC-Q can
achieve similar performance to prior works that allow any complex valued
channel input, especially when high modulation orders are available, and that
the performance asymptotically approaches that of unconstrained channel input
as the modulation order increases. Importantly, DeepJSCC-Q preserves the
graceful degradation of image quality in unpredictable channel conditions, a
desirable property for deployment in mobile systems with rapidly changing
channel conditions.
- Abstract（参考訳）: 最近の研究によると、現代の機械学習技術は、長年のジョイントソースチャネル符号化(JSCC)問題に対する代替アプローチを提供することができる。
異なるソースとチャネルコードを利用する一般的なデジタルスキームよりも優れた、非常に有望な初期結果は、ディープニューラルネットワーク(DNN)を用いた無線画像およびビデオ伝送で実証されている。
しかし、このようなスキームのエンドツーエンドのトレーニングでは、異なるチャネル入力表現が必要であるため、事前の作業では、任意の複雑な値をチャネルを介して送信できると仮定している。
これにより、ハードウェアまたはプロトコルがデジタルコンステレーションによって規定された特定のチャネル入力のみを許容できるシナリオにおけるこれらのコードの適用を防止することができる。
本稿では、有限チャネル入力アルファベットを用いた無線画像伝送のためのエンドツーエンド最適化JSCCソリューションであるDeepJSCC-Qを提案する。
DeepJSCC-Qは、特に高変調順序が利用可能である場合、複雑なチャネル入力を許容する以前の作業と同じような性能を達成できることを示し、変調順序が増加するにつれて、非拘束チャネル入力に漸近的にアプローチできることを示す。
重要なことは、DeepJSCC-Qは予測不能なチャネル条件における画像品質の優雅な劣化を保ち、急速に変化するチャネル条件を持つモバイルシステムへのデプロイメントに望ましい特性である。
関連論文リスト
- Joint Channel Estimation and Feedback with Masked Token Transformers in
Massive MIMO Systems [74.52117784544758]
本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。
エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。
提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
論文 参考訳（メタデータ） (2023-06-08T06:15:17Z) - Channelformer: Attention based Neural Solution for Wireless Channel
Estimation and Effective Online Training [1.0499453838486013]
本稿では,改良されたチャネル推定を実現するために,エンコーダ・デコーダニューラルアーキテクチャ(Channelformer)を提案する。
我々は,復号器として,エンコーダと残差畳み込みニューラルアーキテクチャに多面的注意を払っている。
また,現代通信システムにおける第5世代(5G)新しい無線(NR)構成に基づく効果的なオンライントレーニング手法を提案する。
論文 参考訳（メタデータ） (2023-02-08T23:18:23Z) - Distributed Deep Joint Source-Channel Coding over a Multiple Access
Channel [0.0]
ディープジョイントソースチャネル符号化(DeepJSCC)を用いたノイズの多い多重アクセスチャネル(MAC)上の分散画像伝送について検討する。
本稿では,非直交的な方法で圧縮された画像表現を送信する,新しい共同画像圧縮・伝送方式を提案する。
現在のDeepJSCCを用いた伝送と比較して,再構成画像の品質は大幅に向上した。
論文 参考訳（メタデータ） (2022-11-17T22:36:03Z) - Denoising Diffusion Error Correction Codes [92.10654749898927]
近年、ニューラルデコーダは古典的デコーダ技術に対する優位性を実証している。
最近の最先端のニューラルデコーダは複雑で、多くのレガシデコーダの重要な反復的スキームが欠如している。
本稿では,任意のブロック長の線形符号のソフトデコードにデノナイズ拡散モデルを適用することを提案する。
論文 参考訳（メタデータ） (2022-09-16T11:00:50Z) - Graph Neural Networks for Channel Decoding [71.15576353630667]
低密度パリティチェック(LDPC)やBCH符号など、様々な符号化方式の競合復号性能を示す。
ニューラルネットワーク(NN)は、与えられたグラフ上で一般化されたメッセージパッシングアルゴリズムを学習する。
提案するデコーダを,従来のチャネル復号法および最近のディープラーニングに基づく結果と比較した。
論文 参考訳（メタデータ） (2022-07-29T15:29:18Z) - DeepJSCC-Q: Channel Input Constrained Deep Joint Source-Channel Coding [5.046831208137847]
DeepJSCC-Qは、無線画像伝送のためのエンドツーエンドのジョイントソースチャネル符号化方式である。
チャネル条件が悪くなると、前処理で観察される画質の優雅な劣化が保たれる。
論文 参考訳（メタデータ） (2021-11-25T11:59:17Z) - 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) - 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) - DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO
Detection [98.43451011898212]
複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。
本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。
DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
論文 参考訳（メタデータ） (2020-02-08T18:31:00Z)
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。