논문에서 제안한 Deep Joint Source-Channel Coding(DeepJSCC) 구조를 코드를 통해 구현하고 시뮬레이션 해보았다. DeepJSCC는 기존 방법과 달리 압축/오류 정정 코드를 따로 쓰지 않고 CNN을 통해 인코더와 디코더를 end-to-end로 한번에 간편하게 학습한다. DeepJSCC는 AWGN 채널에서 SNR이 낮아져도 기존 JPEG/JPEG2000 보다 우수한 성능을 보였으며 cliff effect가 나타나지 않았다.
논문 링크:
Deep Joint Source-channel Coding for Wireless Image Transmission
We propose a novel joint source and channel coding (JSCC) scheme for wireless image transmission that departs from the conventional use of explicit source and channel codes for compression and error correction, and directly maps the image pixel values to t
ieeexplore.ieee.org
출처: E. Bourtsoulatze, D. B. Kurka and D. Gündüz, "Deep Joint Source-channel Coding for Wireless Image Transmission," ICASSP 2019 - 2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Brighton, UK, 2019, pp. 4774-4778.
GitHub 링크:
GitHub - eunc812/Deep-JSCC-Implementation: Minimal PyTorch implementation of Deep Joint Source-Channel Coding (DeepJSCC) over an
Minimal PyTorch implementation of Deep Joint Source-Channel Coding (DeepJSCC) over an AWGN channel. Trains separate models at fixed SNR_train ∈ {1,4,7,13,19} and evaluates PSNR across SNR_test swee...
github.com
Colab 링크:
Deep JSCC Implementation
Colab notebook
colab.research.google.com
논문에서 제안한 DeepJSCC는 다음과 같은 신경망의 연속된 구조를 인코더와 디코더에서 갖는다. 이를 코드를 통해 구현했다.
SNR을 논문과 동일하게 1, 4, 7, 13, 19dB로 고정시켜 학습한 후 AWGN 채널에서의 PSNR을 측정했다. 논문의 그래프와 비슷한 경향성을 가진것을 확인할 수 있으며 훈련된 SNR 모델의 SNR에서 가장 높은 성능을 각각 가졌다. SNR이 특정한 값 밑으로 내려갈 때 PSNR이 급격히 줄어드는 "cliff effect"가 없으며 성능이 완만히 감소하는 것 또한 확인할 수 있다.
