,

مقاله چارچوبی مبتنی بر ترنسفورمر سوین با یادگیری فدرال برای انتقال تصاویر حفظ حریم خصوصی در شبکه‌های کم‌ارتفاع.

تومان249,950

توسعه سریع اقتصاد کم‌ارتفاع، منجر به گسترش کاربردهای پهپاد (UAV) در حوزه‌هایی مانند لجستیک، بازرسی و پاسخگویی اضطراری شده است. با این حال، انتقال حجم بالای داده‌های تصویری از پهپادها به ایستگاه‌های زم…

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperPaper-0000000361 دسته: ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چارچوبی مبتنی بر ترنسفورمر سوین با یادگیری فدرال برای انتقال تصاویر حفظ حریم خصوصی در شبکه‌های کم‌ارتفاع.

On Privacy-Preserving Image Transmission in Low-Altitude Networks: A Swin Transformer-Based Framework with Federated Learning

نویسندگان: Kexin Zhang, Lixin Li, Yuna Yan, Xin Zhang, Wensheng Lin, Rui Li, Dongwei Zhao, Zhu Han

شناسه منبع: arxiv / 2605.12566v1

دسته: eess.IV,cs.LG

چکیده (فارسی)

توسعه سریع اقتصاد کم‌ارتفاع، منجر به گسترش کاربردهای پهپاد (UAV) در حوزه‌هایی مانند لجستیک، بازرسی و پاسخگویی اضطراری شده است. با این حال، انتقال حجم بالای داده‌های تصویری از پهپادها به ایستگاه‌های زمینی به دلیل محدودیت پهنای باند و الزامات سختگیرانه حریم خصوصی با چالش‌های قابل توجهی روبرو است. برای حل این مشکلات، یک چارچوب ارتباطات معنایی (SC) مبتنی بر یادگیری فدرال (FL) برای انتقال کارآمد و حفظ حریم خصوصی تصاویر پیشنهاد شده است. معماری ارتباطات معنایی مبتنی بر ترنسفورمر سوین (STSC) برای استخراج ویژگی‌های معنایی چندمقیاس تحت شرایط پهنای باند محدود طراحی شده است. گره‌های ارتباطی و محاسباتی اختصاصی بر روی پهپادها مستقر می‌شوند تا پوشش بی‌درنگ و انعطاف‌پذیری را افزایش دهند. در همین حال، مکانیزم یادگیری فدرال امکان آموزش مدل جهانی را در دستگاه‌های توزیع‌شده بدون اشتراک‌گذاری داده‌های خام فراهم می‌کند و در نتیجه حریم خصوصی کاربر حفظ می‌شود. آزمایش‌های شبیه‌سازی انجام شده بر روی مجموعه داده CIFAR-10 نشان می‌دهد که چارچوب پیشنهادی STSC حداقل 5.7 دسی‌بل بهبود در نسبت سیگنال به نویز پیک (PSNR) را در مقایسه با مدل‌های پایه DeepJSCC به دست می‌آورد و همچنین عملکرد همگرایی و تعمیم برتری را نشان می‌دهد. این چارچوب به طور موثری استقرار با کمک پهپاد را با ارتباطات معنایی و حفاظت از حریم خصوصی ادغام می‌کند و راه‌حلی عملی برای انتقال تصویر با پهنای باند محدود در شبکه‌های کم‌ارتفاع ارائه می‌دهد.

Abstract (English)

The rapid development of low-altitude economy has driven the proliferation of Unmanned Aerial Vehicle (UAV) applications, including logistics, inspection, and emergency response. However, transmitting high-volume image data from UAVs to ground stations faces significant challenges due to limited bandwidth and stringent privacy requirements. To address these issues, a Semantic Communication (SC) framework based on Federated Learning (FL) is proposed for efficient and privacy-preserving image transmission. A Swin Transformer-based Semantic Communication (STSC) architecture is designed to extract multi-scale semantic features under constrained bandwidth conditions. Dedicated communication and computing nodes are deployed on UAVs to enhance real-time coverage and flexibility. Meanwhile, a FL mechanism enables global model training across distributed devices without sharing raw data, thus preserving user privacy. Simulation experiments conducted on the CIFAR-10 dataset demonstrate that the proposed STSC framework achieves at least 5.7 dB improvement in Peak Signal-to-Noise Ratio (PSNR) compared to DeepJSCC baselines, while also showing superior convergence and generalization performance. The framework effectively integrates UAV-assisted deployment with SC and privacy protection, offering a practical solution for bandwidth-constrained image transmission in low-altitude networks.

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “مقاله چارچوبی مبتنی بر ترنسفورمر سوین با یادگیری فدرال برای انتقال تصاویر حفظ حریم خصوصی در شبکه‌های کم‌ارتفاع.”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

پیمایش به بالا