基于信息瓶颈的信道自适应语义压缩编码方法

深度神经网络被广泛用于语义压缩编码,然而所生成的语义特征是否还有冗余信息和压缩空间等难以判断。针对此问题,首先基于信息瓶颈理论给出损失函数,接着引入信道自适应压缩模块构建系统模型,然后利用vCLUB互信息估计和变分近似方法推导损失函数上界,设计互信息估计网络等结构。实验结果表明,与基线方法相比,所提出的基于信息瓶颈的信道自适应语义压缩编码方法实现了更高的智能任务性能和更低的通信开销。

车联网中视频语义驱动的资源分配算法

针对车联网中视频语义理解等智能计算业务需求下传统资源分配方式不再适用的问题,研究了视频语义驱动的资源分配算法。首先,以目标检测任务为例,提出视频语义驱动的资源分配指导模型并给出模型参数的求解算法;其次,构建了车联网场景中视频语义驱动的资源分配优化问题,将该问题转化成凸问题并利用凸优化算法求解;进一步,为降低凸优化算法的复杂度,提出了基于强化Q学习的资源分配算法;最后,仿真验证了所提资源分配算法的性能优势。

面向智能任务的语义通信:理论、技术和挑战

未来机-机、人-机万物智能互联对传统通信方式提出了挑战,提取信源语义信息进行传输的语义通信方法为6G提供了新的解决方法。首先,综述了语义通信的发展历程和研究现状,分析了语义通信目前面临的两大瓶颈问题,提出了面向智能任务的语义通信架构,给出了面向智能任务的语义信息熵和语义信道容量的度量方法;其次,针对不同的智能任务,分别提出了语义编码和语义联合信源信道编码方案;再次,搭建了语义通信平台,对所提方法进行实验验证;最后,对语义通信未来的挑战和开放性问题进行了总结。语义通信方法相较于传统通信方法可以大大降低传输数据量和传输时延,将在未来万物智联的通信中发挥重要作用。