Image Analysis Oriented Integrated Sensing and Communication via Intelligent Reflecting Surface
Notice bibliographique
Résumé
Integrated sensing and communication (ISAC) provides a promising paradigm for future beyond 5G (B5G) and 6G networks. As an important application of edge intelligence, image analysis (e.g., recognition) at the edge networks has attracted lots of interests. In this paper, we propose an image analysis oriented ISAC, in which the image captured by a wireless image-sensor is transmitted to an edge server for analysis in parallel with the radar sensing. The key challenge of our considered system lies in that the mutual interference between the transmission of the image data and radar sensing degrades both performances of the image analysis and radar sensing. To address this difficulty, we exploit intelligent reflecting surface (IRS) to mitigate the interference. Specifically, taking IRS into consideration, we characterize the radar estimation information rate as the performance metric of the radar sensing under the impact of the offloading transmission of the image data, and then formulate a joint optimization problem of the IRS phase shift, the image resolution and the transmit-power of image-sensor, with the objective of maximizing a system-wise performance that accounts for both the radar estimation information rate and the image analysis accuracy. To solve this problem, we leverage the block coordinate descent to separate the variables into two subgroups. For the subgroup of the image resolution and the transmit-power of image-sensor, we derive their closed-form solutions. For the subgroup of the IRS phase shift, we take the equivalent transformation and propose a two-tier successive convex optimization (SCA) based algorithm to obtain the solution. Simulation results demonstrate the advantage of leveraging IRS for the image analysis oriented ISAC and the effectiveness of our proposed algorithm.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».