M to 1 Joint Source-Channel Coding of Gaussian Sources via Dichotomy of the Input Space Based on Deep Learning

In this paper, we propose a deep neural network framework for Joint Source-Channel Coding of an m dimensional i.i.d. Gaussian source for transmission over a single additive white Gaussian noise channel with no delay. The framework employs two neural encoder-decoder pairs that learn to split the inpu...

Celý popis

Podrobná bibliografie

Vydáno v:	DCC (Los Alamitos, Calif.) s. 488 - 497
Hlavní autoři:	Saidutta, Yashas Malur, Abdi, Afshin, Fekri, Faramarz
Médium:	Konferenční příspěvek
Jazyk:	angličtina
Vydáno:	IEEE 01.03.2019
Témata:	AWGN Channel Channel coding Decoding Deep Learning Deep Neural Networks Gaussian Source Image coding Joint Source Channel Coding Neural networks Spirals Transmitters
ISSN:	2375-0359
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!