面向 IoT 设备的双自适应通道与空间注意力语义图像通信
机器学习
2026-02-27 v1
摘要
物联网 (IoT) 网络面临显著挑战，包括受限的通信带宽、受限的计算和能源资源，以及高度动态的无线信道条件。深度神经网络 (DNN) 结合语义通信的利用已成为解决这些限制的有前景的范式。深度联合源-信道编码 (DJSCC) 近期被提议用于实现图像的语义通信。基于原始 DJSCC 公式，在 DNNs 中添加低复杂度注意力风格架构以进一步提升性能。作为主要障碍，单独为各种信噪比 (SNR) 训练这些 DNNs 将导致过度的存储或通信开销，无法维持小型 IoT 设备。SNR 自适应 DJSCC (ADJSCC) 被提议通过将当前 SNR 作为数据输入到信道注意力机制中来实现一次性训练 DNNs。我们改进 ADJSCC，通过在发射器和接收器中同时利用双自适应信道注意力和空间注意力模块。这些模块动态调整以适应变化的信道条件和空间特征重要性，实现稳健且高效的特征提取和语义信息恢复。仿真结果表明，我们提出的双自适应 DJSCC (DA-DJSCC) 在多个性能准则上显著优于 ADJSCC，同时仅增加轻微的复杂度。这些事实使 DA-DJSCC 成为面向性能需求高但低复杂度 IoT 网络的语义通信的理想选择。
关键词
引用
@article{arxiv.2602.22794,
title = {Doubly Adaptive Channel and Spatial Attention for Semantic Image Communication by IoT Devices},
author = {Soroosh Miri and Sepehr Abolhasani and Shahrokh Farahmand and S. Mohammad Razavizadeh},
journal= {arXiv preprint arXiv:2602.22794},
year = {2026}
}
备注
6 pages, 7 figures, conference