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