論文の概要: Doubly Adaptive Channel and Spatial Attention for Semantic Image Communication by IoT Devices

• arxiv url: http://arxiv.org/abs/2602.22794v1
• Date: Thu, 26 Feb 2026 09:29:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.623194
• Title: Doubly Adaptive Channel and Spatial Attention for Semantic Image Communication by IoT Devices
• Title（参考訳）: IoTデバイスによる意味的画像通信のための二重適応チャネルと空間的注意
• Authors: Soroosh Miri, Sepehr Abolhasani, Shahrokh Farahmand, S. Mohammad Razavizadeh,
• Abstract要約: モノのインターネット(IoT)ネットワークは、限られた通信帯域幅、制限された計算とエネルギー資源、高度にダイナミックな無線チャネル条件など、重大な課題に直面している。 DJ SCCは画像のセマンティック通信を可能にするために提案されている。 DJ SCCは、DNNをトレーニングするために提案されているが、現在のSNRをチャネルワイドアテンションメカニズムの一部として供給する。 送信機と受信機の両方で2つの適応チャネルワイドおよび空間アテンションモジュールを同時に利用することでADJ SCCを改善する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Internet of Things (IoT) networks face significant challenges such as limited communication bandwidth, constrained computational and energy resources, and highly dynamic wireless channel conditions. Utilization of deep neural networks (DNNs) combined with semantic communication has emerged as a promising paradigm to address these limitations. Deep joint source-channel coding (DJSCC) has recently been proposed to enable semantic communication of images. Building upon the original DJSCC formulation, low-complexity attention-style architectures has been added to the DNNs for further performance enhancement. As a main hurdle, training these DNNs separately for various signal-to-noise ratios (SNRs) will amount to excessive storage or communication overhead, which can not be maintained by small IoT devices. SNR Adaptive DJSCC (ADJSCC), has been proposed to train the DNNs once but feed the current SNR as part of the data to the channel-wise attention mechanism. We improve upon ADJSCC by a simultaneous utilization of doubly adaptive channel-wise and spatial attention modules at both transmitter and receiver. These modules dynamically adjust to varying channel conditions and spatial feature importance, enabling robust and efficient feature extraction and semantic information recovery. Simulation results corroborate that our proposed doubly adaptive DJSCC (DA-DJSCC) significantly improves upon ADJSCC in several performance criteria, while incurring a mild increase in complexity. These facts render DA-DJSCC a desirable choice for semantic communication in performance demanding but low-complexity IoT networks.
• Abstract（参考訳）: モノのインターネット(IoT)ネットワークは、限られた通信帯域幅、制限された計算とエネルギー資源、高度にダイナミックな無線チャネル条件など、重大な課題に直面している。 深層ニューラルネットワーク(DNN)とセマンティックコミュニケーションの併用は、これらの制限に対処するための有望なパラダイムとして浮上している。 近年,画像のセマンティック通信を実現するために,ディープジョイントソースチャネル符号化 (DJSCC) が提案されている。 元々のDJSCCの定式化に基づいて、低複雑さの注意スタイルのアーキテクチャがDNNに追加され、さらなる性能向上が図られた。 主なハードルとして、これらのDNNを様々な信号対雑音比(SNR)で個別にトレーニングすることは、小さなIoTデバイスでは維持できない過剰なストレージや通信オーバーヘッドにつながる。 SNR Adaptive DJSCC (ADJSCC) は、DNNをトレーニングするために提案されているが、現在のSNRはチャネルワイドアテンション機構にデータの一部として供給される。 送信機と受信機の両方で2重適応チャネルワイドおよび空間アテンションモジュールを同時に利用することでADJSCCを改善する。 これらのモジュールは、様々なチャネル条件と空間的特徴の重要性を動的に調整し、堅牢で効率的な特徴抽出と意味情報の回復を可能にする。 シミュレーションの結果,DA-DJSCC(DA-DJSCC)はADJSCCに対していくつかの性能基準で有意に改善し,複雑さは軽度に増大した。 これらの事実は、DA-DJSCCがパフォーマンスが要求されるが、低複雑さのIoTネットワークにおけるセマンティック通信に望ましい選択であることを示している。

関連論文リスト

• Resource Allocation in Hybrid Radio-Optical IoT Networks using GNN with Multi-task Learning [11.833896722352568]
  本稿では,光ニューラルOWCと電波周波数(RF)を統合したハイブリッドモノのインターネット(IoT)ネットワークにおけるデュアルテクノロジースケジューリングの問題に対処する。 本稿では,2段階グラフ埋め込みとトランスフォーマー(DGET)フレームワークを組み合わせた教師付きマルチタスク学習アーキテクチャを提案する。 提案フレームワークは、90%以上の分類精度で最適に近いスケジューリングを実現し、計算複雑性を低減し、部分的なチャネルオブザーバビリティの下で高いロバスト性を示す。
  論文  参考訳（メタデータ） (2025-10-29T15:02:28Z)
• Integrating Stacked Intelligent Metasurfaces and Power Control for Dynamic Edge Inference via Over-The-Air Neural Networks [34.27766974092816]
  本稿では,従来の無線チャネルをノイズとして扱う手法を回避したエッジ推論(EI)フレームワークを提案する。 無線伝搬の制御にはスタックド・インテリジェント・メタサーフェス(SIM)を用いる。
  論文  参考訳（メタデータ） (2025-09-23T12:13:06Z)
• Semantic-Aware Visual Information Transmission With Key Information Extraction Over Wireless Networks [34.11565549404313]
  本稿では,資源制約付き6Gネットワークに適したAIネイティブなディープジョイントソースチャネル符号化(JSCC)フレームワークを提案する。 提案手法は,鍵情報抽出と適応的背景合成を統合し,インテリジェントでセマンティックな伝送を実現する。
  論文  参考訳（メタデータ） (2025-06-15T09:32:48Z)
• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。 スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。 分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。 本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• Benchmarking Semantic Communications for Image Transmission Over MIMO Interference Channels [11.108614988357008]
  一般マルチインプット・マルチアウトプット(MIMO)干渉チャネルに対するインターフェクト・ロバスト・セマンティック通信(IRSC)方式を提案する。 このスキームはニューラルネットワーク(NN)に基づくトランシーバの開発を伴い、チャネル状態情報(CSI)を受信機のみ、または送信機と受信機の両方の端で統合する。 実験結果から、IRSC方式は干渉を緩和し、ベースラインアプローチより優れることを示す。
  論文  参考訳（メタデータ） (2024-04-10T11:40:22Z)
• A Wireless AI-Generated Content (AIGC) Provisioning Framework Empowered by Semantic Communication [53.78269720999609]
  本稿では,セマンティック通信(SemCom)を利用したAIGC(SemAIGC)の生成と伝送フレームワークを提案する。 具体的には、セマンティックエンコーダとデコーダに拡散モデルを統合し、ワークロード調整可能なトランシーバを設計する。 提案するSemAIGCフレームワークは,従来の手法に比べてレイテンシとコンテンツ品質が優れていることがシミュレーションによって検証された。
  論文  参考訳（メタデータ） (2023-10-26T18:05:22Z)
• Communication-Efficient Framework for Distributed Image Semantic Wireless Transmission [68.69108124451263]
  IoTデバイスを用いたマルチタスク分散画像伝送のためのFederated Learning-based semantic communication (FLSC)フレームワーク。 各リンクは階層型視覚変換器(HVT)ベースの抽出器とタスク適応トランスレータで構成される。 チャネル状態情報に基づく多重出力多重出力伝送モジュール。
  論文  参考訳（メタデータ） (2023-08-07T16:32:14Z)
• Cross-receptive Focused Inference Network for Lightweight Image Super-Resolution [64.25751738088015]
  トランスフォーマーに基づく手法は、単一画像超解像(SISR)タスクにおいて顕著な性能を示した。 動的に特徴を抽出するために文脈情報を組み込む必要がある変換器は無視される。 我々は,CNNとTransformerを混合したCTブロックのカスケードで構成される,軽量なクロスレセプティブ・フォーカスド・推論・ネットワーク(CFIN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T16:32:29Z)
• Neuromorphic Wireless Cognition: Event-Driven Semantic Communications for Remote Inference [32.0035037154674]
  本稿ではニューロモルフィックな無線インターネット・オブ・Thingsシステムのためのエンドツーエンドの設計を提案する。 各センサ装置は、ニューロモルフィックセンサと、スパイキングニューラルネットワーク(SNN)と、複数のアンテナを備えたインパルス無線送信機を備える。 パイロット、SNNの符号化、SNNの復号化、ハイパーネットワークは、複数のチャネル実現を通じて共同で訓練される。
  論文  参考訳（メタデータ） (2022-06-13T11:13:39Z)

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。