基于多址接入的多任务语义通信编码框架.pdf

“语义通信”专题！基于多址接入的多任务语义通信编码框架林航，吴泳澎*，施雨轩，许铭楷，张文军（上海交通大学电子信息与电气工程学院，上海2 0 0 2 40）【摘要】语义通信作为一种新兴的通信范式，在提高通信传输效率等方面具有潜力。基于此，在语义通信背景下结合多址接人与多任务学习，提出了一个在多址接人场景下可以实现多个下游任务执行的语义通信框架MAMTSC，使用联合信源信道编码器与联合信源信道-任务解码器在用户与用户之间、任务与任务之间复用语义信息，提高传输效率。该框架设计了能够处理多种下游任务的多址接入网络，并在两用户、语义分割和深度估计的图像语义通信场景中进行仿真实验，通过和速率-失真的表现验证了其有效性。在低信噪比情况下，提出的方案相比于传统编码方法在语义分割的平均交并比参数上，最多可取得18%的提升。【关键词】语义通信；多址接入；多任务学习doi:10.3969/j.issn.1006-1010.20240108-0001文献标志码：A文章编号：10 0 6-10 10(2 0 2 4)0 2-0 0 7 0-0 7引用格式：林航,吴泳澎,施雨轩,等.基于多址接入的多任务语义通信编码框架.移动通信，2 0 2 4,48(2)：7 0-7 6.LIN Hang,WU Yongpeng,SHI Yuxuan,et al.Multi-Task Semantic Communication Coding Framework Based on Multiple AccessJ.MobileCommunications,2024,48(2):70-76.Multi-Task Semantic Communication Coding Framework Based on Multiple Access(School of Electronic Information and Electrical Engineering,Shanghai Jiao Tong University,Shanghai 200240,China)AbstractAs an emerging communication paradigm,semantic communication has the potential to improve communication transmissionefficiency.Based on this,in the context of semantic communication,combined with multiple access and multi-task learning,asemantic communication framework MAMTSC is proposed to realize the execution of multiple downstream tasks in multi-accessscenarios,and the joint source-channel encoder and joint source-channel-task decoder are used to reuse semantic informationbetween users and between tasks to improve the transmission efficiency.The framework designs a multi-access network that canhandle a variety of downstream tasks.The simulation experiments are conducted in image semantic communication scenarioswith two users,semantic segmentation and depth estimation,and the effectiveness is verified by the composite rate-distortionperformance.In the case of low signal-to-noise ratio,the proposed scheme can achieve up to 18%improvement in the averageintersection union ratio parameter of semantic segmentation compared with traditional coding methods.Keywords1中图分类号：TN914.5LIN Hang,WU Yongpeng,SHI Yuxuan,XU Mingkai,ZHANG Wenjunsemantic communication;multiple access;multi-task learningOSID:扫描二维码与作者交流0引言移动通信的大规模普及，对通信的传输速度和传输质量都不断提出更高的要求。因此，持续通过堆砌频谱资源等外扩的方式发展传统通信已经不能解决所有问题。这收稿日期：2 0 2 4-0 1-0 8*基金项目：国家重点研发计划“6 G智简网络架构与自治技术研究”（2 0 2 2 YFB2902100）；国家自然科学基金“空分复用无线传输理论与关键技术”（6 2 12 2 0 52）；国家自然科学基金“MIMO巨址无线通信理论与关键技术”（6 2 0 7 12 8 9）；高等学校学科创新引智计划“智能视频科学与技术”（BP0719010）*通信作者也启发相关工作者向内探究，从通信系统设计的方向开展新的思考。由此，语义通信凭借其与人工智能技术的高结合度2 与在提高通信效率方面的潜力3 得到关注和研究。语义通信是一种新兴的通信范式，即关注传输信息的语义特征而非精确的比特重建。同时，该范式又被称为“任务导向”的通信方法，即面向下游任务对原始信号进行有选择的语义特征提取、压缩传输等操作，以达到减少传输信息总量，增强对抗信道噪声的效果4。现有的语义通信工作主要基于人工智能的框架，利用深度学习的优异性能以达到语义特征层面的处理。在人工智能（AI）方面，相关工作包括基于强化学习对图像语义70移动通信2024年2 月第2 期第48 卷总第52 2 期林航，吴泳澎，施雨轩，等：基于多址接人的多任务语义通信编码框架编码进行研究2 、支持深度学习的端到端鲁棒语义通信系统在对抗语义噪声方面的作用5 等。模分复用（MDMA，ModelDivisionMultipleAccess）6 技术与多址分组注意力反馈（MBAF，M u lti-a c c e s s Blo c k A tte n tio n Fe e d b a c k）编码7 尝试探究多用户之间协作提高信息利用率的方法；基于扩展率失真的语义通信方案8 与异步训练范式9 使用同一的架构处理多种下游任务并取得了一定的性能提升。值得注意的是，包括物联网在内的最新移动通信系统技术研究中，联合中心接收多个传感器采集的数据，集合所有传感器获得的信息，执行包括远程推理在内的多种任务。类似的多设备即多用户的现实应用场景和多用户的任务要求在结构相同的移动通信系统中十分常见。基于此，本文希望将语义通信在多用户场景与AI的多任务学习结合，并尝试提出一个在多址接人场景下可以实现多个下游任务执行的语义通信框架。通过多用户信道场景和多任务要求的设置，实现语义信息在用户与用户之间、任务与任务之间的复用，从而在信道传输速率的一定要求下，更好地完成相关任务。本文的贡献如下：1）提出了一种多址接入多任务语义通信框架（MAMTSC，Multi-Access Multi-Task Semantic Communication）;2)设计了能够处理多种下游任务的多址接入网络；3）在两用户、语义分割和深度估计的图像语义通信例子中，通过和速率-失真的表现验证了其有效性。1相关工作与研究动机1.1多用户语义通信对于多用户场景下的语义通信系统，相关工作已有许多。类似于传统通信中使用时分复用（TDMA，TimeDivisionMultipleAccess）、频分复用（FDMA，FrequencyDivisionMultipleAccess）等多址技术来复用系统资源，模分复用6 提出将模型信息空间作为语义通信的分配资源并共享模型信息，从而降低带宽。该技术在在视频传输10 和点云数据传输 上都已应用。MBAF码考虑具有反馈场景的多址信道，尝试用数据驱动的方式建立多个编码器之间协同工作的模式。在类分多址（TBMA，Type-BasedMultiple Access）12-15 的研究基础上，信息瓶颈-类分多址（IB-TBMA，In f o r m a t i o n Bo t t l e n e c k T y p e-Based Multiple Access）【16 以信息瓶颈问题为设计准则，联合优化共享码本与基于人工神经网络的解码器。不同于传统通信可以直接具象化复用系统资源，语义通信尝试在一定的限定条件下，如信源一定程度上的相似度、用户信息用于执行相同任务时所需特征类似等，通过数据驱动等方式寻找不同用户之间可以复用的资源并加以利用。1.2多任务语义通信面向单个任务的语义通信通过相关研究工作取得了显著的性能提升。然而，当下游任务发生变化或需要存储多个模型来执行不同的任务时，语义通信中使用的深度神经网络需要更新。为了解决这个问题，需要统一的框架服务于不同的任务。基于扩展率失真的语义通信方案8 推导了一种率失真形式，提出了一种速率调整模块，根据信道条件动态指导多个AI任务的速率和失真之间的权衡。多任务学习本身在AI领域的研究中已经得到了一定的发展，出于此，结合对比学习方法，一种异步训练范式9被提出，以较少的系统训练资源在图像分类和重建任务上取得了较好的性能。统一深度学习语义通信(U-DeepSC,Unified Deep learning-enabled SemanticCommunication）系统【17 根据不同任务需要的特征数量不同，调整不同任务的传输符号数量，在保持一定的性能前提下，显著减小了模型大小。1.3研究动机多用户语义通信系统中，通过复用不同用户之间共同的语义信息达成节省通信系统资源的目标；多任务语义通信系统中，通过复用不同任务之间共同需要的语义信息达成合并面向不同任务的模型的目标。两者通过语义信息的重复利用在不同方面的研究中取得进展，然而在实际场景中，仅讨论单用户多任务或多用户单任务语义通信具有一定的局限性：以物联网系统为例，多任务需求单设备访问或多设备访问单任务需求是特定条件下的应用场景，多任务需求和多设备同时访问同时存在的应用场景在实际情况下更为普遍。正因此，出于将语义信息在用户间与任务间复用的目的，本文设计了MAMTSC系统框架。2系统模型本节介绍了MAMTSC的系统模型。考虑多址接人信道与在接收端执行N个下游任务的情况，MAMTSC系统的系统模型如图1所示。两用户分别将原始信息x,iE（1,2,M)经过语义编码、联合信源信道（JSC，Jo in tSo u r c e C h a n n e l）编码后，通过信道，在接收端通过JSC-任务解码、任务解码的步骤后，作为下游任务的执行结果。具体地说，考虑原始信源为图像信息的情况，源图像x,ERCW，i E(1,2)通过语义编码部分提取语义信息siER为式（1)：S,=s,(x;0.)其中，s（)表示用户i的语义编码器，s表示用户i语义编码器的可训练参数。接下来，JSC编码器把语义信息71(1)移动通信2024年2 月第2 期第48 卷“语义通信”专题1总第52 2 期X1用户1Z1语义编码JSC编码21信道1任务1解码任务1用户2X2语义编码S222JSC编码信道222V任务2 解码JSC-任务解码任务2SM用户MM语义编码编码为z,ER，表示为式（2）：z;=c,(s;0e.)其中，ci（)表示信道i的JSC编码器，Qc,表示信道i的JSC编码器的可训练参数，而信道带宽比（CBR，Ch a n n e lBandwidth Ratio)定义为k/(CWxH)，衡量了每个编码后符号所需要的带宽资源。经过编码的语义信息，输入信道，对于AWGN信道，信道输出2，可表示为式（3）：2,=2,+n其中，n;N(0,o 1)为高斯噪声，o为信道i的平均噪声功率。接收端收到所有信道的输入后，将其通过JSC-任务解码器解码为yER，表示为式（4）：y=0,(21,22,2 M;6,)其中，,()表示JSC-任务编码器，,表示JSC-任务编码器的可训练参数。对于任务jE(1,2.,N)，再使用对应的任务解码器将y解码为相对应的结果,R，表示为式（5)：y,=0,(y;8.,)其中，()表示任务j的解码器，u表示任务j解码器的可学习参数。3多址接入多任务语义通信方案考虑两用户、下游任务为语义分割和单目深度估计的图像语义通信实例，本节提出了在上述MAMTSC系统模型下具体的系统设计方案。3.1 网络架构语义编码部分，使用ResNet网络提取信源的语义信息，并输出信源的语义信息Si。具体架构可根据实际情况选择ResNet18/34/50，本方案中，选择使用ResNet34。JSC编码部分，使用速率自适应的联合信源信道编码18 架构，引人了生成自适应地控制数据速率的特征掩码的自适72移动通信2024年2 月第2 期ZMJSC编码信道M图1多用户多任务语义通信系统结构图应网络，自适应网络会生成二进制掩码为每个输入的s;选择(2)有效符号，从而控制数据速率。JSC编码器与其中的SNR自适应模块具体结构如图2 所示，其中DNN为深度神经网络，Conv2D为卷积层，MLP为多层感知器。JSC-任务解码部分，其结构如图3所示。其中的SNR自适应模块与JSC编码部分相同。任务解码器使用DeepLabv3模型19 的头部（head）部(3)分结构，以空洞空间卷积池化金字塔（ASPP，A t r o u s Sp a t i a lPyramidPooling）模块为主。本方案中下游任务选择语义分割和单目深度估计，两任务的任务解码器结构相同。3.2损失函数设计(4)本文工作的目标是在上述的通信系统模型中，尽可能提升任务的表现。不同下游任务的表现衡量不同，因此采用多任务损失的加权和作为任务完成部分的总损失，表示为式（6）：2,Lusk.jj-1(5)JSC编码ResNetSNR自适应模块ResNetSNR自适应模块Conv2DDNN重构组合DNNZi2M任务N解码SiSNR自适应模块DNN池化层DNN拼接DNNDNNMLPDNNMLP图2 JSC编码器结构图任务(6)SNR第48 卷总第52 2 期林航，吴泳澎，施雨轩，等：基于多址接人的多任务语义通信编码框架1零填充DNN重构DNN22零填充DNN重构DNNdepth-YdepthC=1其中，n表示预测深度点总数，deph为系统输出的深度估计结果，ydeph表示标准的深度估计结果。因此，系统整体的损失函数写为式（12）：M(11)Conv2DSNR自适应模块ResNetSNR自适应模块31ResNet拼接Conv2Dy图3JSC-任务解码器结构图其中，Ltask,表示任务j的损失，,为对应的权重系数。另外，为了考虑信道在系统中的影响，在体现出信道差异的同时防止系统过于依赖同一条信道，需要在损失函数中对信道影响下语义信息重建的效果做出评定，因此引入语义信息重建的损失，为式（7）：21其中，Lchi为信道i的损失函数。因此，整个系统模型的损失函数写为式（8）：L=Ltask+Leh在系统实验过程中，由于只能选定有限数量的下游任务进行测试，可能无法保证系统类似结构对于所有任务均能取得良好的效果。信道的损失代表了语义信息重建的效果，某种程度上代表了模型可能具有的在任务种类上的泛化能力，将其引人有利于预防模型在特定任务上过拟合。根据速率自适应的联合信源信道编码11 网络，重建的损失应当写为式（9）：(9)k=1其中，Wi.k为用于选择特征的信道的JSC编码器的掩码矢量，Gs，为其数量。对于语义分割任务，使用多分类交叉熵作为损失函数，表示为式（10）：(10)其中，M表示类别数量；y是指示变量（0 或1），如果该类别和样本的类别相同就是1，否则是0；Pc代表观测样本属于c类别的预测概率。对于深度估计任务，使用平均绝对值误差作为损失函数，表示为式（11）：Conv2DSNR自适应模块ResNetSNR自适应模块2ResNetnC=14仿真实验与结果为了验证以上提出的多用户接人多任务语义通信方案的有效性，本节给出来该方案的仿真实验及结果。4.1实验设置（1）实现细节仿真实验采用NYUD-v220数据集，包含了7 95幅训练图像和6 54幅测试图像，并且被注释用于语义分割和单目深度估计。对于语义分割任务，使用平均交并比（mloU）来评估任务完成情况。表示为式（13）：1TPmloU=k0TP+FN+FP其中，k为类别数，TP为真正例，FN为假反例，FP为假正例。对于单目深度估计任务，使用均方根误差（rmse）(7)来评估任务完成情况。表示为式（14）：rmse=(8)实验中，将两用户信源均设置为所用数据集。训练时，设置两条信道SNRrain=(10,10)，训练获得模型。测试所获得模型时，固定一条信道SNRtes=10，另一条信道的SNRtest在1一10 范围内改变。将（13）式中权重参数设置为i=,=0.0015，=,=1。调度器使用poly，优化器使用Adam，批量大小设置为4，学习率设置为0.0 0 1。（2）对比实验深度联合信源信道编码（DJSCC）【2 1。系统结构为使用联合信源信道编码重建图像后，经过语义编码、多任务编码、任务解码步骤后作为下游任务执行结果。损失函数设置为DJSCC图像重建的均方误差与任务损失之和。在固定CBR的情况下，在SNRrain=(10,10)的信道条件下训练，并在SNRtesi=(x,10),xE(1,2,10)情况下测试。传统的分离信源信道编码方法。考虑以JPEG信源编码、码率为0.7 5的LDPC信道编码，重建图像经过后续的语义编码、多任务编码、任务解码步骤后作为下游任务执行结果。后续的网络根据SNRrain=(10,10)73(12)(13)(14)移动通信2024年2 月第2 期第48 卷“语义通信”专题1总第52 2 期重建的JPEG+3/4rateLDPC图像进行训练，并用于测试SNRes=(x,10),xE(1,2,10)情况下重建的JPEG+3/4rateLDPC图像。此处考虑理想的通信环境，暂不考虑调制与解调模块。4.2实验结果与分析图4展示了在固定CBR=0.142的情况下，mIOU和rmse性能随SNR的变化情况。对于语义分割任务，可知所提出的方案在SNR较高时性能不如传统编码方法，但是两者相差不大，在SNR下降后，传统编码方法性能急剧下降，但所提出的方案性能仍保持相对平稳。与DJSCC对比，发现所提出的方案整体高于DJSCC，并且两者在SNR变化时表现均相对平稳。对于单目深度估计任务，所提出的方案在高SNR时3530%/nou2520151.00.90.80.7图4AWGN信道下多用户多任务模型与DJSCC与传统编码方法性74移动通信2024年2 月第2 期与传统编码方法性能接近，低SNR时，优于传统编码方法。与DJSCC对比，发现提出的方案在高 SNR时性能优于DJSCC，SNR降低后性能弱于DJSCC。原因在于DJSCC的网络设计以图像重建为原始目标，而提出方案的任务解码器结构设计以语义分割为原始目标，图像重建与深度估计的任务更为接近，因此低SNR时DJSCC的性能更好。并且对于提出方案的深度估计性能曲线图，在SNR=8,9,10时出现了异常的性能下降的情况。原因在于方案的训练目标整体考虑了语义分割与深度估计两个任务，此时语义分割任务的性能仍有较小的提升，因此，在深度估计性能下降程度对整体性能影响小于语义分割任务带来的提升时，深度估计任务性能上的较小牺牲是可以接受的。图5为语义分割结果可视化展示图。标准结果为数据集提供的相关文件的可视化展示。提出方案的语义分割结果与传统编码方法相比，在高SNR时，两者无明显区别;在低SNR时，明显优于传统编码方法。与DJSCC对比，提出方案的语义分割结果整体更优，且两者结果在SNR变化时相对稳定。图6 为深度估计结果可视化展示图。标准结果为数据集提供的相关文件的可视化展示。提出方案与传统编码方法相比，在高SNR时，局部估计结果不如传统编码结果精确，但整体图像误差更小；在低SNR时，估计结果明显优于传统编码结果。与DJSCC对比，提出的方案Ours在SNR较高时估计结果较优，在SNR较低时估计结果较DJSCCJPEG+3/4rateLDPC+QPSK12（a）m I o U 与SNR关系折线图OursDJSCCJPEG+3/4rateLDPC+QPSK231（b）r m s e 与SNR关系折线图能对比图差，且DJSCC估计结果在SNR变化时更为稳定。3445SNR/dB567SNR/dB67889910104.3方案的进一步提升所提出的多址接人多任务语义通信方案在语义分割上表现良好，但在深度估计上表现未达预期。原因在于任务解码器的结构设计不利于深度估计任务的执行。因此，如果能够找到更为合理的任务解码器结构设计方案，更好地同时针对所需要执行的任务，就能进一步提升方案在多任务执行上的综合性能。提出方案在高SNR情况下深度估计表现存在些许异常，这启发我们应当去思考不同任务性能对于系统整体性能的影响是不同的，寻找更为合适的权重系数，更好地平衡多任务之间的性能变化差异，可以提高模型方案设计的泛化能力、扩大应用场景。5结束语面对未来要求更高的通信应用场景，本文针对多用户和多任务语义信息复用问题，提出了将两者纳人同一理论框架的想法，并且构建了多址接入多任务语义通信第48 卷总第52 2 期林航，吴泳澎，施雨轩，等：基于多址接人的多任务语义通信编码框架Ours(OTOL)-ANSrmse=0.640 4标准结果(OIsS)-ANSDJSCCrmse=0.771 5JPEG+3/4rate LDPCrmse=0.637 42.62.42.22.0rmse=0.700 6(OID)-ANSrmse=0.776 0rmse=0.651 01.81.6rmse=0.956 7图5语义分割结果可视化展示图OursDJSCC(OIO)=ANSrmse=0.792 8rmse=1.068 7JPEG+3/4rateLDPC标准结果mloU=34.6998(OIS)-ANSmloU=23.7871mloU=36.8068mloU=33.0599(OII)-ANSmloU=23.472 4mloU=34.9970移动通信mloU=30.217 8图6深度估计结果可视化展示图的系统模型，给出了一种可能的模型结构设计方案，并参考文献：且通过仿真实验验证了所提出方案的有效性。相比于传1J Dai,P Zhang,K Niu,et al.Communication Beyond统编码方法，本文提出方案在低SNR时，语义分割结果Transmitting Bits:Semantics-Guided Source and ChannelCodingJ.IEEE Wireless Communications,2021,30:170-177.的mloU参数最多可取得18%的提升，深度估计的rmse2 参数最多可取得0.112 的提升。同时也在实验中发现该模型和方案设计在未来可能进步的方向：本文提出的方案适用于两用户、两任务，相关模型在差异更大多用户、更多样化下游任务场景中的应用值得研究；针对不同信道、不同下游任务的编解码器设计在未来可能会有泛化能力更强的方案。mloU-22.036 6D Huang,F Gao,X Tao,et al.Toward Semantic Communications:Deep Learning-Based Image Semantic CodingJJ.IEEE Journalon Selected Areas in Communications,2022,41:55-71.3 P Jiang,C Wen,S Jin,et al.Wireless Semantic Communicationsfor Video ConferencingJ.IEEE Journal on Selected Areas inCommunications,2022,41:230-244.4 Z Qin,X Tao,J Lu,et al.Semantic Communications:Principlesand ChallengesEB/OL.(2022-6-27)2024-1-8.https:/arxiv.75mloU=11.668 02024年2 月第2 期第48 卷“语义通信”专题总第52 2 期org/pdf/2201.01389.pdf.5 Q Hu,G Zhang,Z Qin,et al.Robust Semantic CommunicationsAgainst Semantic NoiseC.2022 IEEE 96th VehicularTechnology Conference(VTC2022-Fall),2022:1-6.6P Zhang,X Xu,C Dong,et al.Model division multiple accessfor semantic communicationsJJ.Frontiers of InformationTechnology&Electronic Engineering,2023,24:801-812.7E Ozfatura,C Bian,D Gindiz.Do not Interfere but Cooperate:A Fully Learnable Code Design for Multi-Access Channels withFeedbackC.2023 12th International Symposium on Topics inCoding(ISTC),2023:1-5.8Z Sun,F Liu,Y Yang,et al.Multi-Task SemanticCommunications:An Extended Rate-Distortion TheoryBased SchemeC.2023 IEEE International Conference onCommunications Workshops(ICC Workshops),2023:1380-1385.9Z Tian,HK Vo,C Zhang,et al.An Asynchronous Multi-TaskSemantic Communication MethodJ.IEEE Network,2023:EarlyAccess.10 Z Bao,H Liang,C Dong,et al.MDVSC-Wireless ModelDivision Video Semantic CommunicationEB/OL.(2023-5-25)2024-1-8.https:/arxiv.org/pdf/2305.15799.pdf.1l X Liu,H Liang,Z Bao,et al.Semantic Communications Systemwith Model Division Multiple Access and Controllable CodingRate for Point CloudEB/OL.(2023-7-12)2024-1-8.https:/arxiv.org/pdf/2307.06027.pdf.12 K Liu,AM Sayeed.Asymptotically optimal decentralized type-based detection in wireless sensor networksC.2004 IEEEInternational Conference on Acoustics,Speech,and SignalProcessing,2004,3:ii-873.13 G Mergen,L Tong.Type based estimation over multiaccesschannelsJ.IEEE Transactions on Signal Processing,2006,56:613-626.14 J Dommel,Z Utkovski,S Stanczak,et al.Joint Source-ChannelCoding and Bayesian Message Passing Detection for Grant-FreeRadio Access in IoTC.ICASSP 2020-2020 IEEE InternationalConference on Acoustics,Speech and Signal Processing(ICASSP),2019:8574-8578.15 J Dommel,Z Utkovski,O Simeone,et al.,Joint Source-Channel Coding for Semantics-Aware Grant-Free RadioAccess in IloT Fog NetworksJ.IEEE Signal ProcessingLetters,2021,28:728-732.16 M Zhu,C Feng,C Guo,et al.Information Bottleneck-InspiredType Based Multiple Access for Remote Estimation in IoTSystemsJ.IEEE Signal Processing Letters,2022,30:403-407.17 G Zhang,Q Hu,Z Qin,et al.A Unified Multi-Task SemanticCommunication System with Domain AdaptationC.GLOBECOM 2022-2022 IEEE Global CommunicationsConference,2022:3971-3976.18 M Yang,H Kim.Deep Joint Source-Channel Coding for WirelessImage Transmission with Adaptive Rate ControlC.ICASSP2022-2022 IEEE International Conference on Acoustics,Speech76移动通信2024年2 月第2 期and Signal Processing(ICASSP),2021:5193-5197.19 L Chen,G Papandreou,F Schroff,et al.Rethinking AtrousConvolution for Semantic Image SegmentationEB/OL.(2017-12-5)2024-1-8.https:/arxiv.0rg/pdf/1706.05587.pdf.20 N Silberman,D Hoiem,P Kohli,et al.Indoor Segmentation andSupport Inference from RGBD ImagesC.European Conferenceon Computer Vision,2012.21 E Bourtsoulatze D B Kurka,D Gindiz.Deep Joint Source-Channel Coding for Wireless Image TransmissionJ.IEEETransactions on Cognitive Communications and Networking,2018,5:567-579.林航（orcid.org/0009-0006-7826-9466）：上海交通大学电子工程系在读本科生，已被推荐免试攻读电子工程系信息工程专业硕士研究生，主要研究方向为语义通信。吴泳澎（orcid.org/0000-0003-1716-1882）：教授，现任职于上海交通大学，IEEESeniorMember，I EEEI C C、G lo b e c o m、V T C 等国际著名会议技术委员会主席及委员；研究方向为空时无线通信理论与关键技术；主持国家自然科学基金、国家重点研发子课题以及中兴通讯、国家电网等多个科研项目；获国家自然基金委优秀青年基金、IEEE通信学会亚太区杰出青年研究学者奖、季寒冰青年教师奖、中国科协“青年托举人才计划”和2 0 14德国洪堡学者等荣誉。施雨轩：上海交通大学网络空间安全学院在读博士研究生，主要研究方向为信息论与编码、语义通信。许铭楷：上海交通大学电子工程系在读博士研究生，主要研究方向为语义通信。张文军：教授，现任职于上海交通大学，数字电视国家工程研究中心（NERC-DTV）首席科学家、未来媒体网络协同创新中心（CMIC）主任；主要研究方向为视频编码与无线传输、多媒体语义分析与广播/宽带网络融合；中国DTTB标准（D T M B）的主要贡献者。作者简介