基于图神经网络的低轨卫星语义视频传输

《IEEE Transactions on Machine Learning in Communications and Networking》：Semantic Video Transmission over LEO satellites with Graph Neural Networks

　　

摘要：

由于地面通信基础设施有限以及原始视频传输所需的高数据速率，在偏远地区提供大规模视频监控具有挑战性。低地球轨道（LEO）卫星提供了一种可行的连接解决方案，但其上行链路容量仍然受限，特别是对于低功耗设备而言。语义通信通过传输任务相关信息而非原始视频流来解决这一限制。在本工作中，我们解决了摄像机到卫星上行链路通信中的语义信息传输问题。该任务包括从所有摄像机中选择语义表示，以在严格的资源约束下最大化总传输语义信息。我们将该问题表述为一个 NP 难约束优化任务，并使用一种低复杂度且可扩展的图节点分类方法来解决，该方法重构了表示选择。我们提出了一种轻量级图神经网络，利用摄像机 - 卫星拓扑结构，通过消息传递学习上下文感知的节点嵌入，以预测每个摄像机的最佳语义表示。引入了一种基于搜索的后处理算法，以确保预测方案在传输时间要求内的可行性。我们广泛的评估表明，所提出的方法在准确性、最优性和约束满足度方面优于基于学习和基于搜索的基线，同时保持了低推理延迟。所提出的系统可扩展至大型摄像机网络，并实现了最小信息损失的语义信息传输，与基于求解器的参考解决方案相比，平均差距为 0.67%。