شماره ركورد
34786
پديد آورنده
علي مرامي زنوز
عنوان
طراحي يك شبكه يادگيري عميق سبك براي انتقال تصوير در مخابرات معنايي
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
مخابرات-سيستم
سال تحصيل
1401
تاريخ دفاع
1404/10/29
استاد راهنما
دكتر محمد حسين كهايي
استاد مشاور
دكتر محمد علي امير آبادي
دانشكده
مهندسي برق
چكيده
سيستم هاي فعلي مخابراتي بر پايهي نظريه شانون و ويوير بنا نهاده شده اند، كه از سه سطح ارتباطي (فني – معنايي -تاثير پيام( به جنبهي معنايي اطالعات و تاثير را در نظر نميگيرند. اما با افزايش روز افزون داده ها ايده ي استفاده از سطح معنايي پيام ارسالي مورد توجه قرار گرفته است. در مقابل چارچوب كالسيك شبكه هاي بر پايه نظريهي شنون هدف اصلي آن انتقال صحيح بيت ها بدون توجه به معناي آنها ميباشد، در مخابرات معنايي تمركز از انتقال بيت به انتقال معناي پيام جا به جا ميشود. در اين رويكرد، فرستنده و گيرنده با بهرهگيري از مدلهاي يادگيري عميق، تنها آن بخش از اطالعات را استخراج و ارسال ميكنند كه براي بازيابي معناي مورد نياز يا انجام وظيفهاي مشخص، ضروري است. مطالعات اخير در حوزه شبكه هاي نسل ششم نشان ميدهد كه به كارگيري بلوكهايي براي استخراج معنا به سامانه هاي مخابراتي، ضمن كاهش حجم دادههاي ارسالي، ميتواند بهره وري طيفي و انرژي را بهبود دهد.سيستم هاي ارتباطي بر اساس نظريه شنون از كدگذاري منبع براي فشرده سازي ديتا و كدگذاري كانال براي مقابله با خطا در دو بلوك جداگانه استفاده ميكنند. مدلهاي مخابراتي كه كدگذاري منبع و كانال را به صورت مجزا از هم در نظر ميگيرند، زماني بهينه هستند كه طول بيت ها بسيار طولاني باشند. در اين پژوهش، شبكه ي ADJSCC، كه براي انتقال تصوير عملكرد مناسبي در SNR هاي مختلف داشته است، در نظر گرفته شده است. سپس با توجه به پيچيدگي و حجم باالي ضرايب آن، با روش هرس كردن فيلتر ها، به شبكه اي سبك و قابل استفاده در دستگاه هاي با محدوديت انرژي و توان حاصل ميشود. در ادامه، با استفاده ازمعيارهاي PSNR، SSIM، LPIPS بررسي كيفيت، ساختار و همچنين شباهت ادراكي تصاوير بازسازي شده توسط شبكه سبك شده و ميزان افت نسبت به شبكه اصلي، بررسي مي شود. همچنين از يك معيار مبتني بر وظيفه نيز استفاده شده است كه در آن ميزان دقت يك شبكه ي دسته بندي مستقل را به ازاي وروديهاي تصاوير بازسازي شدهاي كه از شبكهي اصلي ADJSCC و شبكه ي سبك شده را بررسي نموده و ميزان افت دقت دسته بندي شبكه مستقل در هريك تصاوير بازسازي شده از شبكه هاي مختلف ارزيابي مي شود.
تاريخ ورود اطلاعات
1405/02/06
عنوان به انگليسي
Design of a Light Deep Network for Image Transmission in Semantic Communication
تاريخ بهره برداري
4/21/2026 12:00:00 AM
دانشجوي وارد كننده اطلاعات
علي مرامي زنوز
چكيده به لاتين
Traditional communication systems based on Shannon’s theory primarily address the technical
level of communication and, by design, do not model the semantic content of messages or their
downstream impact. As data traffic continues to grow rapidly, leveraging the semantic level of
transmitted information has attracted interest for potential gains in energy efficiency,
bandwidth utilization, and end-to-end latency. Classical architectures with separate source and
channel coding are provably optimal only in the asymptotic regime of very long block-lengths
and unbounded latency/complexity. In emerging applications—such as IOT devices and
autonomous vehicles—where energy, memory, computational budget, and low-latency
communication are critical, short block-lengths are prevalent and joint source–channel coding
(JSCC) can offer superior delay–reliability trade-offs compared with traditional designs. In this
context, we consider an attention-based deep JSCC (ADJSCC) model that encodes images via
convolutional feature extractors augmented with attention modules. Conditioned on the
channel SNR, the model adapts its internal redundancy allocation and effective protection level
between source compression and channel robustness. Nevertheless, such deep models can be
computationally demanding for resource-constrained platforms; hence, we investigate network
light-weighting via structural techniques such as filter pruning to reduce complexity while
preserving performance.
كليدواژه هاي فارسي
مخابرات معنايي , هرس كردن , يادگيري عميق , تاخير
كليدواژه هاي لاتين
Semantic Communication , Pruning , Deep Learning , latency
Author
Ali Marami Zenouz
SuperVisor
Dr. Mohammad Hossein Kahaei