論文の概要: Task-Oriented Semantic Feature Transmission for Multi-Task Satellite Remote Sensing over Low-SNR Channels

• arxiv url: http://arxiv.org/abs/2609.20150v1
• Date: Thu, 17 Sep 2026 12:41:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.273613
• Title: Task-Oriented Semantic Feature Transmission for Multi-Task Satellite Remote Sensing over Low-SNR Channels
• Title（参考訳）: 低SNRチャネル上でのマルチタスク衛星リモートセンシングのためのタスク指向セマンティックな特徴伝達
• Abstract要約: 本稿では,画像再構成を回避し,マルチタスクで制約されたバックボーンから抽出した意味的特徴を直接伝達するタスク指向フレームワークについて検討する。 シーン分類と物体検出実験は, 異なるSNR条件における再建指向JSCCベースラインよりも一貫した向上を示し, 低SNR体制における最大の改善点となった。
• 参考スコア（独自算出の注目度）: 25.449830083023446
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conventional satellite remote sensing transmission follows a reconstruct-then-infer paradigm that optimizes pixel-level fidelity, creating an objective mismatch with downstream tasks such as classification and detection, especially at low SNR. This paper investigates a task-oriented framework that bypasses image reconstruction and directly transmits semantic features extracted by a multitask-pretrained backbone. A lightweight channel adaptation module (CAM) compresses feature dimensionality for bandwidth reduction, and a feature restorer recovers task-relevant structure after channel corruption. With the backbone frozen, the CAM and task-specific downstream heads are jointly optimized with task and feature-level supervision under random-SNR training. Under the adopted AWGN setting, experiments on scene classification and object detection show consistent gains over reconstruction-oriented JSCC baselines across different SNR conditions, with the largest improvements in the low-SNR regime.
• Abstract（参考訳）: 従来の衛星リモートセンシング送信は、ピクセルレベルの忠実度を最適化し、特に低SNRにおいて、分類や検出などの下流タスクと客観的なミスマッチを生成する再構成-then-inferパラダイムに従っている。 本稿では,画像再構成を回避し,マルチタスクで制約されたバックボーンから抽出した意味的特徴を直接伝達するタスク指向フレームワークについて検討する。 軽量チャネル適応モジュール(CAM)は、帯域幅削減のために特徴次元を圧縮し、特徴回復器は、チャネル破損後のタスク関連構造を復元する。 バックボーンが凍結すると、CAMとタスク固有の下流ヘッドは、ランダムSNRトレーニングの下でタスクと機能レベルの監督を共同で最適化される。 AWGNの適用下では、シーン分類とオブジェクト検出の実験は、異なるSNR条件における再構成指向JSCCベースラインよりも一貫した向上を示し、低SNR体制において最大の改善が見られた。

関連論文リスト

• Toward a Unified Semantic Loss Model for Deep JSCC-based Transmission of EO Imagery [35.383357591863266]
  本稿では,EO画像の伝送に有効なソースチャネルパラダイムとしてDJ SCCについて検討する。 我々はDJ SCCに基づくシステムにおける意味喪失の2つの相補的な側面に焦点を当てた。 単一モデル内での再構成中心とタスク指向の両方のパフォーマンスをキャプチャする統合意味損失フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-28T16:10:33Z)
• SDCoNet: Saliency-Driven Multi-Task Collaborative Network for Remote Sensing Object Detection [7.016133328153285]
  リモートセンシング画像では、複雑な背景、弱い物体信号、小さな物体スケールが特に正確な検出を困難にしている。 一般的な戦略は、検出前に単一画像の超解像(SR)を統合することである。 SRと検出を暗黙的特徴共有によって結合するSDCoNet(Saliency-Driven Multi-task Collaborative Network)を提案する。
  論文  参考訳（メタデータ） (2026-01-18T17:36:48Z)
• TOAST: Task-Oriented Adaptive Semantic Transmission over Dynamic Wireless Environments [3.3107717550009865]
  TOAST(Task-Oriented Adaptive Semantic Transmission)は、無線環境におけるマルチタスク最適化の課題を解決するために設計された統合フレームワークである。 我々はマルコフ決定過程として適応的タスクバランスを定式化し、画像再構成の忠実度と意味分類の精度のトレードオフを動的に調整するために深層強化学習を用いる。 モジュール固有のLow-Rank Adaptation(LoRA)機構を,Swin Transformerベースのジョイントソースチャネル符号化アーキテクチャ全体に統合する。
  論文  参考訳（メタデータ） (2025-06-27T04:36:30Z)
• SING: Semantic Image Communications using Null-Space and INN-Guided Diffusion Models [52.40011613324083]
  近年, 無線画像伝送において, 共用音源チャネル符号化システム (DeepJSCC) が顕著な性能を発揮している。 既存の手法では、送信された画像とレシーバーの再構成されたバージョンとの間の歪みを最小限に抑えることに重点を置いており、しばしば知覚的品質を見落としている。 逆問題として,破損した再構成画像から高品質な画像の復元を定式化する新しいフレームワークであるSINGを提案する。
  論文  参考訳（メタデータ） (2025-03-16T12:32:11Z)
• 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)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• JSRNN: Joint Sampling and Reconstruction Neural Networks for High Quality Image Compressed Sensing [8.902545322578925]
  提案フレームワークには,サンプリングサブネットワークと再構築サブネットワークという2つのサブネットワークが含まれている。 再構成サブネットワークでは、スタックド・デノイング・オートエンコーダ(SDA)と畳み込みニューラルネットワーク(CNN)を組み合わせたカスケードネットワークが信号の再構成のために設計されている。 このフレームワークは、特にサンプリングレートの低い他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2022-11-11T02:20:30Z)
• Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
  我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。 我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。 提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
  論文  参考訳（メタデータ） (2021-10-20T06:15:45Z)
• Object Tracking through Residual and Dense LSTMs [67.98948222599849]
  LSTM(Long Short-Term Memory)リカレントニューラルネットワークに基づくディープラーニングベースのトラッカーが、強力な代替手段として登場した。 DenseLSTMはResidualおよびRegular LSTMより優れ、ニュアンセに対する高いレジリエンスを提供する。 ケーススタディは、他のトラッカーの堅牢性を高めるために残差ベースRNNの採用を支援する。
  論文  参考訳（メタデータ） (2020-06-22T08:20:17Z)

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。