用于视觉辅助毫米波接收功率预测的分布式异模态分割学习
网络与互联网体系结构
2020-07-17 v1 信号处理
摘要
本工作的目标是以通信与节能且保护数据隐私的方式，利用来自多个分布式摄像头的射频（RF）信号与异构视觉数据准确预测毫米波接收功率。为此，首先着眼于数据隐私，我们提出带特征聚合的异模态分割学习（HetSLAgg），其将神经网络（NN）模型分割为摄像头侧与基站（BS）侧段。BS 侧 NN 段融合 RF 信号与上传的图像特征，而无需收集原始图像。然而，多路视觉数据的使用导致 NN 输入维度增加，进而带来额外的通信与能耗成本。为克服因图像插值以混合不同帧率而产生的额外通信与能耗成本，我们提出了一种新颖的 BS 侧流形混合（manifold mixup）技术，将插值操作从摄像头卸载至 BS。随后，我们面对因跨摄像头拼接图像特征而运行更大规模 BS 侧 NN 段所带来的能耗成本，并提出了一种节能聚合方法。该方法通过图像特征的线性组合而非拼接来实现，其中 NN 规模与摄像头数量无关。基于实测信道的全面测试床实验表明，与仅利用 RF 接收功率的基线相比，HetSLAgg 将预测误差降低了 44%。此外，实验显示所设计的 HetSLAgg 在至多 1% 精度损失下，相比若干基线设计在通信与能耗成本削减方面取得超过 20% 的收益。
引用
@article{arxiv.2007.08208,
title = {Distributed Heteromodal Split Learning for Vision Aided mmWave Received Power Prediction},
author = {Yusuke Koda and Jihong Park and Mehdi Bennis and Koji Yamamoto and Takayuki Nishio and Masahiro Morikura},
journal= {arXiv preprint arXiv:2007.08208},
year = {2020}
}
备注
14 pages, 17 figures