面向图像分类的域自适应深度联合信源信道编码

深度联合信源—信道编码（Deep JSCC）在训练数据与部署数据之间可能出现域偏移。我们研究无线信道上图像分类的单源域自适应问题。一个高斯示例表明，在固定的源域训练分类器下，提升信道质量并不必然提升目标域准确率。我们进一步提出一个信息目标，在保留类别信息的同时减少域信息。受该分析启发，我们开发了一种域自适应 Deep JSCC 方法，将逐类对抗对齐与伪标签监督对比学习相结合。前者利用全部目标样本来减小类条件域差异，后者则选择高置信度目标样本以获得具有类别判别性的接收表示。我们将这些损失与该信息目标联系起来，并分析伪标签错误以及基于置信度的选择所带来的影响。在 AWGN 和 Rayleigh 信道上针对 SVHN--MNIST 与 PACS 的实验表明，无需额外的推理时网络即可提升目标域分类性能。所提方法在 10~dB CSNR 下于 SVHN $\rightarrow$ MNIST 上达到 98.15\% 的准确率。

中文由 AI 翻译，仅供参考，以原文为准。