关于深度学习:基于深度学习的两种信源信道联合编码

49次阅读

共计 3633 个字符，预计需要花费 10 分钟才能阅读完成。

摘要： 信源编码是一个数据压缩的过程，其目标是尽可能地将信源中的冗余度去掉；而信道编码则是一个减少冗余的过程，通过适当退出冗余度来达到抵制信道噪声，爱护传输数据的目标。

本文分享自华为云社区《基于深度学习的信源信道联结编码》，原文作者：技术火炬手。

信源编码是一个数据压缩的过程，其目标是尽可能地将信源中的冗余度去掉；而信道编码则是一个减少冗余的过程，通过适当退出冗余度来达到抵制信道噪声，爱护传输数据的目标。

经典端对端无线通信零碎如下图所示：

信源 x_x_ 应用信源编码，去除冗余失去比特流 s_s_。
对 s_s_ 进行信道编码（如 Turbo、LDPC 等）失去 y_y_，减少相应的校验位来抵制信道噪声。
对比特流 y_y_ 进行调制（如 BPSK、16QAM 等）失去 z_z_，并经物理信道发送。
接收端对经信道后的符号 bar{z}_z_ˉ 进行解调、解码操作失去 bar{x}_x_ˉ。

依据定义信道形式不同，基于深度学习的信源信道联结编码（Deep JSCC）能够分为两类。

第一类， 受无编码传输的启发，将信源编码、信道编码和调制联结设计为编码器。

零碎模型如下图所示：

第二类， 将通信零碎中的调制、噪声信道、解调模块形象为离散的二进制信道。

零碎模型如下图所示：

第一种模型称为基于物理信道的符号编码，第二种称为基于形象信道的比特编码。

另一方面，信源可依据其是否具备结构化特色划分为两类：

结构化信源，如图像、视频。
非结构化信源，如高斯信源。

结构化信源是 Deep JSCC 的次要钻研场景。因为神经网络对结构化数据具备弱小的特色获取能力，并且有针对各种结构化数据设计的网络结构的呈现。

因而，Deep JSCC 相较于传统设计更具备劣势。

图像 / 视频等具备空间拓扑构造信源适宜 CNN 网络结构，文本 / 语音等具备工夫序列化构造信源适宜 RNN 网络结构。

对于非结构化信源，Deep JSCC 则稍显羸弱。因为非结构化信源外部相关性弱，难以去除冗余。

Gunduz 团队 1 提出了一个传输高分辨率图像的 Deep JSCC 框架。
发送端和接收端都应用 CNN 网络，并在训练时退出了高斯白噪声和瑞利衰减噪声。
提出的 Deep JSCC 框架如下图所示：

试验表明，从 PSNR 和 SSIM 数据来看，提出的信源信道联结编码比信源信道拆散计划更优，在低信噪比的信道环境下，劣势尤其显著。

Gunduz 团队 2 在前一个计划的根底上，提出将噪声反馈模块融入传输零碎，以加强编解码器对变换信噪比的鲁棒性。

解码器将一部分通过噪声信道的接管到的符号 bar{z}_z_ˉ 反馈给编码器，编码器依据 bar{z}_z_ˉ 从新计算信噪比，并对编解码网络参数进行改良，以适应变换的信噪比环境。

其通信计划如下图所示：

Jankowski3 提出了一种应用 Deep JSCC 来进行图像检索的计划，先提取图像特色，而后应用 Deep JSCC 编码传输图像特色子，接收端接管解码特色子并基于特色对图像进行检索。

零碎架构如下图所示：

Saidutta4 提出了一种利用双编码解码构造的 Deep JSCC 计划对高斯信源进行编码传输。
训练时采纳 MSE 优化器。

零碎架构如下图所示：

在后面工作的根底上，Saidutta5 提出了基于变分自编码器对高斯信源编码的 Deep JSCC 计划，通过假如接管信号和重构信号的高斯统计个性，给出了正则化 MSE 损失的可变下限证实。

Xuan6 提出了一种基于 RNN 对高斯信源编码的 Deep JSCC 计划。

其不须要获取信源的先验信息，并在实践上证实了 Deep JSCC 的有效性，同时证实了基于深度学习的编码器与基于混沌动静零碎（Chaotic Dynamical System）的编码函数之间的相似性。

零碎框架如下图所示：

与传统符号流的 Deep JSCC 计划不同，二进制信道下传输离散比特流无奈计算反向流传梯度。因而，离散信道的嵌入也比物理信道的嵌入更为简单。

近年来，神经网络离散化 7 和离散自编码器 8 的倒退，为上述难点提供了解决思路。针对离散化神经网络的问题，一个简略的办法是应用得分函数预计器代替梯度 9。因为该预计方差较高，一部分工作提出了不同的公式和控制变量来解决该问题 10。

另外，为了达到使离散随机变量间断化的目标，Jang 和 Maddisonet 别离提出了 Gumbel-Softmax 散布 11 和 Concrete 计划 12。

Choi13 提出了一种应用离散自编码器对图像进行形象信道的比特编码方案。为了保留编码的硬离散性，应用了多样本变分下界指标，用于取得低变差梯度。

系统结构如下图所示：

其应用图像及其二进制示意的互信息的变分下界来训练模型，以取得更好的鲁棒性。

Song14 提出了新的正则化办法 IABF(Infomax Adversarial Bits Flip)，以加强 NECST 的压缩和纠错能力，晋升鲁棒性。并提出了新的损失函数，实现了网络对高维数据更无效的优化。

Shao15 基于轻量级 CNN 网络提出了可部署到计算能力无限的挪动设施中的低功耗 Deep JSCC。

零碎架构如下图所示：

Farsad16 提出了基于 RNN 构造的 Deep JSCC 计划，以对文本信源进行编码传输。采纳里德 - 所罗门（ReedSolomon）码对信道进行编码；结果表明，当编码比特较短时，该计划比传统办法具更低的单词错误率。

零碎架构如下图所示：

Carpi17 提出了一种基于强化学习的 Deep JSCC 计划，采纳了比特位翻转解码（bitflipping decoding）、残差信念流传（residual belief propagation）和锚解码（anchor decoding）三种算法，让解码器由数据驱动去学习最佳的解码策略。

[2019 TCCN]
Deep Joint Source-Channel Coding for Wireless Image Transmission
[2020 JSAIT]
DeepJSCC-f: Deep Joint Source-Channel Coding of Images with Feedback
[2019 ICASSP]
Deep Joint Source-Channel Coding for Wireless Image Retrieval
[2019 DCC]
M to 1 Joint Source-Channel Coding of Gaussian Sources via Dichotomy of the Input Space Based on Deep Learning
[2019 ISIT]
Joint Source-Channel Coding for Gaussian Sources over AWGN Channels using Variational Autoencoders
[2020 SPCOM]
Analog Joint Source-Channel Coding for Gaussian Sources over AWGN Channels with Deep Learning
[2019 TPMI]
Learning Deep Binary Descriptor with Multi-Quantization
[2018 NIPS]
DVAE#: Discrete Variational Autoencoders with Relaxed Boltzmann Priors
[1992 ML]
Simple Statistical Gradient-Following Algorithms for Connectionist Reinforcement Learning
[2017 NIPS]
REBAR: Low-variance, unbiased gradient estimates for discrete latent variable models
[2016 ML]
Categorical Reparameterization with Gumbel-Softmax
[2016 ML]
The Concrete Distribution: A Continuous Relaxation of Discrete Random Variables
[2018 ML]
Neural Joint Source-Channel Coding
[2020 AAAI]
Infomax Neural Joint Source-Channel Coding via Adversarial Bit Flip
[2020]
BottleNet++: An End-to-End Approach for Feature Compression in Device-Edge Co-Inference Systems
[2018 ICASSP]
Deep Learning for Joint Source-Channel Coding of Text
[2019 AACCCC]
Reinforcement Learning for Channel Coding: Learned Bit-Flipping Decoding
[2020 电信迷信]
基于深度学习的信源信道联结编码方法综述