语义错误动画

文章概要：本文主要是研究了语义通信的可靠性方面，将混合自动重发请求机制与语义编解码进行融合，提高了系统的可靠性；并且改善语义编译码模块，使得可以面对变长的序列；考虑到传统CRC32（CRC:循环冗余校验）错误检测方法不适用于语义通信中的语义错误检测，引入SIM32（一种神经网络）的方法来使得整个系统具有错误检测能力；

在这项工作中，我们的目标是开发一种鲁棒、准确、快速的自动人体抠图方法，该方法与MODNet[3]和RVM[8]具有相同的目标。我们在真实世界的例子中研究了现有自动方法的失败案例，并观察到这些失败案例通常是由于不准确的语义理解造成的。如图1（a）所示，部分背景被错误地预测为前景或人体部分被错误地分割。这表明这些最先进的（SOTA）方法的语义理解能力较弱。为了提高他们的语义理解能力，同时保持细节的细粒度，我们试图利用语义分割任务来指导抠图过程。这种动机背后有三个原因。

文章概要：语义视频会议通过传输一些关键点来表示运动来保持高分辨率，因为背景几乎是静态的，扬声器不经常变化。因此通过语义通信可以对于原有视频进行语义层次上的压缩，使得可以达到节省带宽资源的目的。文章提出了一个基础的语义视频会议网络，由于现阶段通信方式的误差检测器，例如循环冗余检查并不能反映语义上的错误程度，因此，文章中结合一种新型的语义错误检测器提出了一个增量冗余混合自动重复请求（IR-HARQ）框架，用于应对视频会议系统中不同的信道环境。视频会议系统中同时考虑了信道CSI的反馈，使得对于关键信息点传输性能进行保障，可显著提高性能。

文章概要：本篇文章提出了一个语义通信的架构，并从信息论的角度分析了语义压缩的上限。并提出语义通信待解决的问题：在语义压缩模型的约束下，他推导出一个通用的理论来很好的约束信源语义压缩，信道语义感知传输中的语义错误是非常困难的；在大规模通信网络的场景下，多节点语义通信传输/语义网络值得研究。下图为文章中对比传统编码与语义编码之间的区别：

文章概要：大部分文章中均没有明确知识图谱在语义通信中的具体实现方式，本篇文章中涉及到了语义知识库的设计；现有的语义通信框架不涉及推理和纠错，这限制了可实现的性能。为了解决这一问题，本文提出了一种利用知识图（知识图谱实现的）的认知语义通信框架。此外，利用三元组作为语义符号，开发了一种简单、通用、可解释的语义信息检测解决方案。它还允许接收方纠正发生在符号级别上的错误。此外，对预训练后的模型进行了微调，以恢复语义信息，克服了采用固定位长编码对不同长度的句子进行编码的缺点。文中所设计的系统框架图如下所示：

然而，即使在完成上述步骤1-3后，仍无法保证：字面语义=实际语义=NLP引擎理解的语义—>准确译文，且专利翻译是商业行为，不可能无时间限制地将原文调整至尽善尽美再开始翻译。在步骤1-3中，我们仅凭经验在有限时间内将那些大概率地可能导致NLP引擎理解的内容进行纠正，例如笔误、不通顺、不清楚、不简明、术语不统一、逻辑错乱等。另外，这些人为经验并不一定与基于深度学习等训练模式得出的NLP引擎的经验一致。