CN115114928A - 一种基于特征选择的可解释性语义通信系统 - Google Patents
一种基于特征选择的可解释性语义通信系统 Download PDFInfo
- Publication number
- CN115114928A CN115114928A CN202210494378.6A CN202210494378A CN115114928A CN 115114928 A CN115114928 A CN 115114928A CN 202210494378 A CN202210494378 A CN 202210494378A CN 115114928 A CN115114928 A CN 115114928A
- Authority
- CN
- China
- Prior art keywords
- semantic
- information
- feature
- features
- channel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004891 communication Methods 0.000 title claims abstract description 50
- 230000006870 function Effects 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000013461 design Methods 0.000 claims abstract description 14
- 230000005540 biological transmission Effects 0.000 claims abstract description 13
- 230000014509 gene expression Effects 0.000 claims abstract description 7
- 230000008447 perception Effects 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims description 54
- 238000005315 distribution function Methods 0.000 claims description 22
- 238000013139 quantization Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 abstract description 3
- 230000006835 compression Effects 0.000 abstract description 2
- 238000007906 compression Methods 0.000 abstract description 2
- 238000002474 experimental method Methods 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 abstract 1
- 238000005070 sampling Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 101000636582 Homo sapiens N-alpha-acetyltransferase 50 Proteins 0.000 description 1
- 240000007651 Rubus glaucus Species 0.000 description 1
- 235000011034 Rubus glaucus Nutrition 0.000 description 1
- 235000009122 Rubus idaeus Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000000332 black box Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 102000056033 human NAA50 Human genes 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明提供了一种基于特征选择的可解释性语义通信系统,与传统的通信系统兼容。采用特征选择,只选择与任务相关的语义信息进行传输。基于本发明还提供了两个信息论指标:率失真感知函数和语义信道容量,分别用来描述语义信息的压缩和传输。用闭式表达式推导了语义信道容量的上下界。提出了一个可行的可解释语义通信系统的设计方案。建立了一个无线移动语义通信概念验证原型来实现语义通信设计。实验证明,本发明系统能够显著优于现有的方法,并在两个基准数据集上显示出对各种噪声水平的鲁棒性。本发明提供了语义通信的框架和理论度量来解释和分析黑盒语义通信问题,并为在实际通信系统中实现语义通信提供指导。
Description
技术领域
本发明涉及语义通信领域,尤其涉及一种基于特征选择的可解释性语义通信系统。
背景技术
语义通信利用收发机的计算能力来缓解稀缺的传输资源,如带宽和能量。尽管对语义通信进行了许多初步研究,但传统的基于DL的语义通信仍面临两个主要挑战。首先,提取特征的不可理解性限制了语义通信的发展。可以发现,大多数现有的JSCC 方案都基于DL技术。DL模型基本上是一个黑匣子,因此这些作品中提取的特征向量是无法解释(隐藏)的表示。提取特征的不可理解性不利于语义特征的处理和利用。如果没有明确的解释,非预期的特征很可能会被传输到接收器,这会对语义多模态或多源信息融合产生负面影响。其次,现有的大多数语义通信研究都是在传统系统的基础上,对信源和信道模块进行重新设计。这样的设计很难实现,也不切实际。如果5G 的物理层技术全部或部分被基于DL的语义JSCC技术所取代,将导致资源和成本的巨大浪费。提高通信效率和利用现有通信结构之间的权衡是一个需要考虑的合理问题。
发明内容
发明目的:本发明所要解决的技术问题是针对现有技术的不足,提供一种基于特征选择的可解释性语义通信系统,包括系统框架、信息论指标计算模块、设计模块;
所述系统框架用于语义特征提取、语义特征传输以及语义特征补全;
所述信息论指标计算模块用于,计算率失真感知分类函数和语义信道容量,以及闭合表达式下的语义信道容量的上下界;
所述设计模块用于,建立基于β-VAE(Beta-变分自编码器)的具有鲁棒性和可解释性的联合信源和信道编码方法,并实现语义特征分离和鲁棒语义信道噪声。
所述系统框架包括知识库模块、语义源模块、语义编码器模块、语义解码器模块、特征选择模块、特征补全模块、语义信道模块;
所述知识库模块中包含在语义层面促进交流的所有必要信息,例如不同国家的语言,发送方可以根据不同的任务、场景和收件人来选择不同的语言知识库。
其中sk代表第k个语义特征,psou(s)表示语义信息s的联合概率分布;
其中psou(sk)表示第k个语义特征sk的概率分布;
语义信息x的熵H(X)为:
基于公式(1)和公式(2),H(X)写成:
H(X)=H(S)+H(X|S)-H(S|X) (4)。
所述语义编码器模块,用于提取信息数据X的语义信息或者语义特征,输出特征Z;信息数据X中提取低维的语义特征Z~pfea(z);
提取的特征pfea(z)的概率分布为:
其中pd2f(z|x)表示给定信息数据x的条件下特征z的条件概率分布函数;
所述语义信道模块用于将语义信道定义为包括信号量化器和比特级通信系统的虚拟信道,具体包括:
Ys~pr(ys)表示通过语义信道后的接收信号,pr(ys)表示Ys的概率分布函数:
Ys=Xs+Ns (8)
ns=nQ+nP (9)
其中nQ表示量化噪声,nP表示物理信道噪声。
所述特征补全模块用于获取完整的特征,具体包括:接收端能够从语义信道中获取语义特征ys;
所述信息论指标计算模块具体执行如下步骤:
信息X~p(x)的信息率失真感知分类函数R(D,P,C)定义为:
d(p(x),r(z))≤P, (13c)
其中表示最小化信息X和压缩信号Z之间的互信息,s.t.表示受限制于,是信息x与压缩信号z之间的预期失真,D表示给定失真限度,感知函数 d(p(x),r(z))表示概率分布函数p(x)和r(z)之间的KL散度,P是给定散度最大值, H(Sk|Z)表示条件熵,Ck表示第k个分类信息对应的信道容量,q(z|x)表示在上的条件分布;其中C=(C1,…,CK),当x=z时,失真函数Δ:满足Δ(x,z)=0,Δ(x,z)表示失真函数;当p(x)=r(z)时,则d(p(x),r(z))=0,p(x)表示信息x的概率分布函数,r(z)表示压缩信号z的概率分布函数;
等效语义信道容量Cs,eq为:
在非高斯分布信道噪声下,语义信道容量Cs的界限为:
所述设计模块执行如下步骤:优化参数集为φ的语义编码器qφ(z|x),以及参数集为θ的接收机的语义解码器;
目标是联合优化参数φ和θ,以最大化数据X的对数似然:
其中pθ(x)表示基于参数θ、信息数据x的概率分布函数;
选择优化目标函数logpθ(x),其下界为:
将dKL(qφ(z|x)||pθ(z))乘以加权参数β,以获得一个解纠缠且可解释的语义表示z;使用pθ(x|z+ns)替换pθ(z|x),其中ns是语义噪声;对数似然最大化问题为:
在具有鲁棒性的β-VAE中,让和分别表示近似后验概率qφ(z|x)的均值和相应的标准差;估计公式(21)相对于参数φ的梯度,其中随机自变量从标准高斯分布中采样,即表示标准高斯分布;则语义编码器的输出特性为:
所述具有鲁棒性的β-VAE包括一个语义编码器网络和一个语义解码器网络;
语义编码器网络架构为:
其中Conv2D32@32*32表示卷积层具有32个32*32的卷积单元;
语义解码器网络架构为:
其中ConvT2D@32*32表示反卷积层有32个32*32的卷积单元;Dense1*256表示一个全连接层具有256个神经元。
有益效果:
发明首次给出了一个可解释且易于实现的语义通信框架,该框架与传统的通信系统兼容。在此框架中,语义编码器的主要作用有三个方面:提取特征向量,分离语义信息,提高对语义信息模糊的鲁棒性。为了进一步降低通信成本,采用特征选择,只选择与任务相关的语义信息进行传输。本发明还提供了此框架下的两个信息论指标:率失真感知分类函数以及语义信道容量,分别用来描述语义信息的压缩和传输。为了量化加性量化噪声和物理信道噪声下的语义信息传输,还用闭式表达式推导了语义信道容量的上下界。基于此框架,提出了一个可行的可解释语义通信系统的设计方案。为了增强传输鲁棒性,在语义网络训练时向提取的特征中添加了语义信道噪声。进一步建立了一个实时的无线语义通信验证原型可以实现上述方案;最后实验证明,所提出的语义通信系统能够显著优于现有的方法,并在两个基准数据集上显示出对各种噪声水平的鲁棒性。本发明试图提供框架和理论度量来解释和分析黑盒语义通信问题,并为在实际通信系统中实现语义通信提供指导。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述和/ 或其他方面的优点将会变得更加清楚。
图1是可解释且健壮的语义通信框架结构图。
图2基于β-VAE可解释语义通信系统结构图。
图3是可解释语义通信系统,提出了一种鲁棒的基于β-vae的体系结构。
具体实施方式
本发明提出一种基于特征选择的可解释性语义通信系统,包括系统框架、信息论指标计算模块、设计模块、验证原型;
所述语义编码器和语义解码器可以分解语义信息为独立可解释特征以及消除量化和信道噪声引起的语义信息歧义;所述特征选择模块在语义编码器之后,只选择与任务相关的特征进行传输,可以进一步降低传输负载;所述语义信道同时考虑了量化误差(或噪声)和物理信道噪声,并且封装了传统的比特级通信系统;
所述信息论指标计算模块用于,计算率失真感知分类函数和语义信道容量,以及闭合表达式下的语义信道容量的上下界;
所述设计模块用于,建立基于β-VAE的具有鲁棒性和可解释性的联合信源和信道编码方法,并实现语义特征分离和鲁棒语义信道噪声;
所述验证原型为使用树莓派4B实现所述系统框架。
1、根据所述的系统框架,包括以下模块:
(1-1),知识库模块,包含所有必要的信息,可以促进语义层面的交流;发送端根据不同的任务、场景和接收端选择不同的知识库;
其中psou(sk)表示sk的概率分布;
语义信息x的熵为:
基于公式(1)和公式(2),H(X)写成:
H(X)=H(S)+H(X|S)-H(S|X) (4)
(1-3),语义编码器模块,用于提取信息X的语义信息或者语义特征,输出解耦的和可解释的特征Z;信息X中提取低维的语义特征Z~pfea(z),其中pd2f(z|x)表示给定消息x的特征z的条件概率分布函数;
提取的特征(子向量)pfea(z)的概率分布为:
其中所选特征Xs可能具有一定的冗余;
(1.5),语义信道模块,用于将语义信道定义为包括信号量化器和比特级通信系统的虚拟信道,如图1所示;
Ys~pr(ys)表示通过语义信道后的接收信号:
Ys=Xs+Ns (8)
ns=nQ+nP (9)
其中nQ是量化噪声,nP是物理信道噪声;
(1.6),特征补全模块,接收端能够从语义信道中获取语义特征ys;
所述信息论指标,包括率失真感知分类函数和语义信道容量,以及语义:
数据源X~p(x)的信息率失真感知分类函数R(D,P,C)定义为:
d(p(x),r(z))≤P, (13c)
等效语义信道容量为:
在非高斯分布信道噪声下,语义信道容量Cs的界限为:
所述设计模块,包括基于β-vae的鲁棒可解释语义通信系统、特征选择与补全和系统架构;
所述β-vae的鲁棒可解释语义通信系统,首先优化参数集为φ的语义编码器 qφ(z|x),以及参数集为θ的接收机的语义解码器;
在数学上,目标是联合优化参数φ和θ,以最大化数据X的对数似然:
为了有效优化问题(19),选择优化目标函数logpθ(x),其下界为:
直接最大化下界(20h)并不能实现可解释和稳健语义通信系统的设计;
将dKL(qφ(z|x)||pθ(z))乘以加权参数β,以获得一个解纠缠且可解释的语义表示z;为了对抗语义噪声实现稳健语义通信系统设计,使用pθ(x|z+ns)替换pθ(z|x),其中 ns是语义噪声;对数似然最大化问题为:
zl=μl+σlεl,l?=1,...,L (22)
所述语义通信架构,包括一个语义编码器网络和一个语义解码器网络,如图3;
语义编码器网络架构为:
语义解码器网络架构为:
其中Conv2D32@32*32表示这个卷积层具有32个32*32的卷积单元;Dense1*256 表示一个全连接层具有256个神经元;
从图1所示可以看出,本发明所提出的可解释语义通信框架包括语义源、发送方知识库、语义编码器、语义通道、接收方知识库、语义解码器和语义目标。。
从图2可以看出,本发明中提出了一个基于β-V AE的鲁棒语义通信系统,该系统将隐藏的表示向量分解为多个独立的、语义上可解释的特征。
从图3可以看出,可解释语义通信系统,提出了一种鲁棒的基于β-vae的体系结构。
实施例
如图1所示,所述知识库包含了在语义层面促进交流的所有必要信息,发送方可以根据不同的任务、场景和收件人来选择不同的语义知识库;所述语义源生成原始信息,可以是图像、语音、文本或者视频等,生成的信息包含了希望与语义目标共享的某些语义信息;所述语义编码器是基于该知识库,将生成的信息X进行处理,输出解纠缠和可解释的特征Z,是一个联合的信源编码器和信道编码器;所述特征选择是选择接收方感兴趣的语义特征进行发送;所述语义信道包括量化噪声和物理信道噪声,以及信源编译码、信道编译码;所述特征补全是基于接收方知识库生成发送方未发送的特征与接收到的特征相结合得到完整语义特征所述语义译码器目的是从语义特征恢复信息所述语义目标目的是从信息中恢复语义信息
如图2所示,所述语义源x是一张图像;输入所述语义编码器得到语义特征对语义特征进行特征选择得到语义目标感兴趣的预期特征将感兴趣的预期特征输入到所述语义信道,加入语义噪声ns;接收端收到预期特征所述特征补全将生成未发送的特征与预期特征结合得到完整语义特征将完整语义特征输入所述语义解码器得到语义信息
Claims (10)
1.一种基于特征选择的可解释性语义通信系统,其特征在于,包括系统框架、信息论指标计算模块、设计模块;
所述系统框架用于语义特征提取、语义特征传输以及语义特征补全;
所述信息论指标计算模块用于,计算率失真感知分类函数和语义信道容量,以及闭合表达式下的语义信道容量的上下界;
所述设计模块用于,建立基于β-VAE的具有鲁棒性和可解释性的联合信源和信道编码方法,并实现语义特征分离和鲁棒语义信道噪声。
2.根据权利要求1所述的系统,其特征在于,所述系统框架包括知识库模块、语义源模块、语义编码器模块、语义解码器模块、特征选择模块、特征补全模块、语义信道模块;
所述知识库模块中包含必要信息。
9.根据权利要求8所述的系统,其特征在于,所述信息论指标计算模块具体执行如下步骤:
设p(x)是输入信息的分布,r(z)是压缩信号的分布,q(z|x)是χ×χ上的条件分布,χ表示信息数据x的集合,p(x,s1,…,sK)是联合分布,sk是关于信息数据x的第k个分类信息,k取值为1~K;
信息X~p(x)的信息率失真感知分类函数R(D,P,C)定义为:
d(p(x),r(z))≤P, (13c)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210494378.6A CN115114928B (zh) | 2022-05-07 | 一种基于特征选择的可解释性语义通信系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210494378.6A CN115114928B (zh) | 2022-05-07 | 一种基于特征选择的可解释性语义通信系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115114928A true CN115114928A (zh) | 2022-09-27 |
CN115114928B CN115114928B (zh) | 2024-06-25 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911360A (zh) * | 2023-09-15 | 2023-10-20 | 香港中文大学(深圳) | 一种利用神经网络求解语义信息最小压缩速率的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112019245A (zh) * | 2020-08-26 | 2020-12-01 | 上海科技大学 | 信道信息实时预测与测量方法、装置、设备和介质 |
CN112800247A (zh) * | 2021-04-09 | 2021-05-14 | 华中科技大学 | 基于知识图谱共享的语义编/解码方法、设备和通信系统 |
CN113298840A (zh) * | 2021-05-26 | 2021-08-24 | 南京邮电大学 | 基于带电作业场景下的多模态物体检测方法、系统、装置及存储介质 |
CN114091673A (zh) * | 2022-01-19 | 2022-02-25 | 华中科技大学 | 语义信息表示方法、语义编码器、解码器和语义通信框架 |
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112019245A (zh) * | 2020-08-26 | 2020-12-01 | 上海科技大学 | 信道信息实时预测与测量方法、装置、设备和介质 |
CN112800247A (zh) * | 2021-04-09 | 2021-05-14 | 华中科技大学 | 基于知识图谱共享的语义编/解码方法、设备和通信系统 |
CN113298840A (zh) * | 2021-05-26 | 2021-08-24 | 南京邮电大学 | 基于带电作业场景下的多模态物体检测方法、系统、装置及存储介质 |
CN114091673A (zh) * | 2022-01-19 | 2022-02-25 | 华中科技大学 | 语义信息表示方法、语义编码器、解码器和语义通信框架 |
Non-Patent Citations (1)
Title |
---|
QUANDONG WANG; JUNNAN WU; ZHAO YAN: "Multi-Channel Speech Enhancement with 2-D Convolutional Time-Frequency Domain Features and a Pre-Trained Acoustic Model", 《2021 ASIA-PACIFIC SIGNAL AND INFORMATION PROCESSING ASSOCIATION ANNUAL SUMMIT AND CONFERENCE (APSIPA ASC)》, 17 December 2021 (2021-12-17), pages 564 - 570, XP034077973 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911360A (zh) * | 2023-09-15 | 2023-10-20 | 香港中文大学(深圳) | 一种利用神经网络求解语义信息最小压缩速率的方法 |
CN116911360B (zh) * | 2023-09-15 | 2023-12-12 | 香港中文大学(深圳) | 一种利用神经网络求解语义信息最小压缩速率的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Robust semantic communications with masked VQ-VAE enabled codebook | |
US20210201135A1 (en) | End-to-end learning in communication systems | |
CN111555781A (zh) | 一种基于深度学习注意力机制的大规模mimo信道状态信息压缩及重建方法 | |
CN115514343B (zh) | 电网波形滤波系统及其滤波方法 | |
Whang et al. | Neural distributed source coding | |
EP2992449B1 (en) | Creation of a hierarchical dictionary | |
Huang et al. | Joint task and data oriented semantic communications: A deep separate source-channel coding scheme | |
CN116562365A (zh) | 面向隐私保护的深度量化联邦学习方法 | |
CN111767697A (zh) | 文本处理方法、装置、计算机设备以及存储介质 | |
CN105354867A (zh) | 自适应冗余字典压缩感知的高光谱图像压缩算法研究 | |
Dong et al. | Edge semantic cognitive intelligence for 6G networks: Novel theoretical models, enabling framework, and typical applications | |
US11895303B2 (en) | Systems and methods for distributed quantization of multimodal images | |
CN112492313B (zh) | 一种基于生成对抗网络的图片传输系统 | |
Wei et al. | Federated Semantic Learning Driven by Information Bottleneck for Task-Oriented Communications | |
CN115114928B (zh) | 一种基于特征选择的可解释性语义通信系统 | |
Yuan et al. | Image restoration via exponential scale mixture‐based simultaneous sparse prior | |
CN115114928A (zh) | 一种基于特征选择的可解释性语义通信系统 | |
CN117669699A (zh) | 一种工业物联网场景下面向数字孪生的语义信息联邦学习方法及系统 | |
CN112929304A (zh) | 一种环境知识库辅助的无线信道获取方法 | |
CN116029340B (zh) | 一种基于深度学习网络的图像及语义信息传输方法 | |
Zhou et al. | Speech Semantic Communication Based On Swin Transformer | |
CN114841370B (zh) | 联邦学习模型的处理方法、装置、电子设备和存储介质 | |
Dong et al. | Edge Semantic Cognitive Intelligence for 6G Networks: Models, Framework, and Applications. | |
Wang et al. | SNN-SC: A Spiking Semantic Communication Framework for Feature Transmission | |
US20230308681A1 (en) | End-to-end stereo image compression method and device based on bi-directional coding |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |