目录
- 论文简介
- 动机:为什么作者想要解决这个问题?
- 贡献:作者在这篇论文中完成了什么工作(创新点)?
- 规划:他们如何完成工作?
- 自己的看法(作者如何得到的创新思路)
论文简介
-
作者
Zhenzi Weng
Zhijin Qin
Geoffrey Ye Liy -
发表期刊or会议
《ICC》 -
发表时间
2021.6
动机:为什么作者想要解决这个问题?
- 对语音信号传输的语义通信的研究没有开展
- 论文里提到:分块设计系统已被证明是次优的,传统的线性信号处理算法无法捕获实际信道中的许多缺陷和非线性
贡献:作者在这篇论文中完成了什么工作(创新点)?
首次
提出了语音信号语义通信系统DeepSC-S,将整个收发器视为两个深度神经网络(speech encoder——注意力机制;channel encoder——CNN),并联合设计语音编码和信道编码来处理信源失真和信道效应。- DeepSC-S基于squeeze and excitation (SE) networks (就是找了一个那时候比较火的网络罢了)
- 通过在固定衰落信道和信噪比下训练 DeepSC-S,然后在动态信道(AWGN,瑞丽,莱斯)环境下测试,所提出的 DeepSC-S 具有高度鲁棒性,无需网络调整和重新训练(这太扯了)
规划:他们如何完成工作?
-
整体框架
这结构真没什么好说的,需要的时候看论文II和III吧(和DeepSC一个套路,就在这encoder,decoder的) -
损失函数
采用均方误差(MSE)作为损失函数,测量 s s s和 s ^ \hat s s^之间的差异
L M S E ( θ T , θ R ) = 1 W ∑ w = 1 W ( s w − s ^ w ) 2 \mathcal{L}_{M S E}\left(\boldsymbol{\theta}^{\mathcal{T}}, \boldsymbol{\theta}^{\mathcal{R}}\right)=\frac{1}{W} \sum_{w=1}^W\left(s_w-\widehat{s}_w\right)^2 LMSE(θT,θR)=W1w=1∑W(sw−s w)2 -
误差度量
采用信号失真比(SDR)来测量 s s s和 s ^ \hat s s^之间的L2误差:
S D R = 10 log 10 ( ∥ s ∥ 2 ∥ s − s ^ ∥ 2 ) . S D R=10 \log _{10}\left(\frac{\|\boldsymbol{s}\|^2}{\|\boldsymbol{s}-\widehat{\boldsymbol{s}}\|^2}\right) . SDR=10log10(∥s−s ∥2∥s∥2).
自己的看法(作者如何得到的创新思路)
这篇论文,一言难尽,大概就是找一个新场景(speech),再找一个那时候流行的网络结构(attention),然后套上语义的壳,就是一篇ICC 😭
选择大于努力