(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210658290.3 (22)申请日 2022.06.10 (66)本国优先权数据 202111376499.2 2021.1 1.19 CN (71)申请人 北京邮电大 学 地址 100876 北京市海淀区西土城路10号 (72)发明人 郭彩丽　刘传宏　杨洋　孙启政　 陈九九　 (74)专利代理 机构 北京永创新实专利事务所 11121 专利代理师 易卜 (51)Int.Cl. H04L 67/12(2022.01) H04L 69/04(2022.01) G06V 40/10(2022.01)G06V 10/82(2022.01) G06V 10/44(2022.01) (54)发明名称 一种面向智能任务的语义 通信方法 (57)摘要 本发明公开了一种面向智能任务的语义通 信方法， 属于人工智能与通信融合技术领域； 具 体包括： 首先发送端的设备采集图像数据， 经神 经网络提取特征图， 利用语义概念对应神经元激 活值对特征图求梯度后取平均， 得到特征图相对 于语义概念的重要性权重， 将语义概念和特征图 排序关系起来； 利用得到的语义关系， 对特征图 进行裁剪压缩， 进而保留重要性权重高的特征 图， 将压缩后的特征图经无线信道进行传输， 接 收端对接收到的信号进行解调， 恢复特征图数 据， 并输入后续神经网络， 完成智能任务， 返回结 果给发送端设备。 本发明有效地利用了数据的语 义关系， 降低了传输数据量、 缓解了通信压力， 提 升了智能任务的有效性能。 权利要求书2页 说明书9页 附图6页 CN 115102982 A 2022.09.23 CN 115102982 A 1.一种面向智能任务的语义 通信方法， 其特 征在于， 具体步骤如下： 针对物联网IoT设备摄像头采集的图像数据， 利用卷积神经网络CNN对每个图像分别进 行初步特 征提取， 得到各图像的特 征图集合； 然后、 利用CNN神经元对应的每个语义概念输出的激活值， 对集合中各特征图求梯度取 平均， 得到该语义 概念的特 征图权重； 所有语义 概念组成的特 征图权重矩阵ω如下： 是语义概念ck的特征图权重向量； 表示语义概念集合 的元素个数， 即语义 概念的总数； 分别按照各语义概念的特征图权重， 对各自的特征图进行降序排序， 得到任一语义概 念和特征图重要性 排序之间的对应关系， 即语义关系， 表示 为： 为针对语义 概念ck， 按照重要性权重值降序对特征图进行排序， 得到的特征图排序结 果； 接着、 依据实际的通信和计算资源， 结合特征图权重和语义关系， 对系列 特征图集合进 行裁剪， 从而实现语义压缩； 最后、 将裁剪后的特征图经无线信道进行传输， 计算接收端收到的特征图数据； 并输入 分类器， 将分类结果返回给I oT设备。 2.如权利要求1所述的一种面向智能任务的语义通信方法， 其特征在于， 所述对提取输 入图片I进行 特征提取， 计算公式为： A＝Sα(I) 其中Sα(·)为卷积神经网络， α 为卷积神经网络的参数， A为图片I 提取的特 征图集合。 3.如权利要求1所述的一种面向智能任务的语义通信方法， 其特征在于， 所述利用CNN 神经元对应的每 个语义概念输出的激活值， 计算语义 概念的特 征图权重， 具体步骤如下： 首先、 针对单个语义概念ck， 利用激活值对每个系列特征图集合中每个 特征图分别求梯 度， 经过全局平均池化得到各特征图的重要性权重， 组成语义概念ck的特征图权重向量 如下： 是语义概念ck对第n个特征图的重要性权重； N为系列特征图集合中所有特征图的总 数。 4.如权利要求1所述的一种面向智能任务的语义通信方法， 其特征在于， 所述对语义概 念ck的特征图排序结果 表示为： 其中， 表示为对语义概念ck最重要的特征图索引， 表示对语义概念ck最不重要的 特征图索引。 5.如权利要求3所述的一种面向智能任务的语义通信方法， 其特征在于， 所述语义压缩 的具体步骤如下： 首先、 针对单个 语义概念ck， 依据设定的裁 剪比例σ， 计算实际传输 重要特征图个数：权　利　要　求　书 1/2 页 2 CN 115102982 A 2然后、 根据实际传输的重要特 征图个数， 确定特 征图的裁 剪阈值， 由下式得到： 其中 是将特征图权重矩阵 中所有的特征图权重值从 大到小排序结果； 最后、 针对语义概念ck， 根据语义关系从特征图排序中选择符合裁剪阈值的n个特征图 进行实际传输， 其 余裁剪掉； 表示为： 同理， 得到所有语义 概念的实际传输特 征图， 组成信道传输特 征图矩阵， 表示 为： 经语义压缩后输出 X为： X＝Cσ(A) 其中， Cσ(·)表示特征图裁剪函数。 6.如权利要求5所述的一种面向智能任务的语义通信方法， 其特征在于， 所述接收端收 到的特征图数据表示 为： Y＝hX+n 其中， h为瑞利衰落信道的信道增益， n 为加性高斯白噪声。权　利　要　求　书 2/2 页 3 CN 115102982 A 3