DEEP JOINT TRANSMISSION-RECOGNITION FOR POWER-CONSTRAINED IOT DEVICES
该文提出了将深度信源信道联合编码(JSCC)与网络修剪相结合,并将其应用于无线网络上的图像分类。主要创新点是在JSCC上引入了网络修剪。
主要解决的问题:
1、minimizing the number of computations that have to be done locally;
2、designing a robust communication scheme within the limited available transmission power.
提出了四步训练策略:
1、预训练VGGnet
2、应用“Pruning convolutional neural networks for resource efficient inference,” 文章中的修剪算法对在设备的网络进行修剪。
3、使用训练集中的每个图像来运行一个前向遍历网络的修剪部分,以在分割点提取所有可能的特征图。使用特征图作为我们的自动编码器的一个新的训练集,并训练自动编码器。
4、整个网络进行微训练。
实验结果:
未来工作:
1、为了进一步发展这个设计,计划通过合并修剪到联合训练阶段来减少训练步骤的数量。
2、将设计通信感知修剪,它不仅可以降低计算复杂度,而且其滤波器显著性度量直接基于无线信道条件