Study on Robustness of Deep Learning Against Physical Layer Impairments in Wireless Communication Systems

Abstract

IoT(사물인터넷) 생태계는 실시간 컴퓨터 비전(CV) 응용 프로그램을 가능하게 하기 위한 빠르고 신뢰적이며 효율적인 이미지 데이터 전송을 필요로 한다. 이러한 요구를 충족하기위해 직교 주파수 분할 다중화(OFDM) 기반 통신 시스템은 병렬 전송 기법을 활용하고 높은 주파수 효율성과 데이터 전송률 덕분에 널리 사용되고 있다. 그러나 OFDM 기반 이미지 통신 시스템에서는 소스 코딩 방식, 복잡한 채널 모델, 데이터 변환 방법, 변조 기술 및 송수신 안테나 수와 같은 물리 계층 (PHY)에서 야기되는 다양한 손상이 발생하며 교차 심볼 간 간섭(ISI), 교차 캐리어 간 간섭(ICI)과 같은 간섭도 존재한다. 이러한 손상은 복구된 이미지 품질을 심하게 손상시켜 하향 스트리밍 응용 서비스에 적합하지 않을 수 있다. OFDM 기반 통신시스템은 수십 년 동안 심도있게 연구되었기때문에 각각의 PHY 블록은 통계적 혹은 수학적으로 최적화에 근사화되어가고 있지만 디지털 통신시스템에서의 손상(impairment)은 여전히 통신의 장애로 여겨진다. 이러한 손상을 해소하기위해 연구자들은 통신시스템 및 하향 스트리밍 서비스에서 인공 지능(AI)과 딥 러닝(DL)의 활용을 탐구하여 전반적인 시스템 성능을 향상시키고 있다. DL은 특정 이미지 왜곡에 강하며 심하게 왜곡된 이미지에서도 CV 작업을 실행할 수 있다. PHY에서 비롯된 손상은 픽셀 값에 독립적으로 손상을 초래하지만 이미지의 공간 정보와 같은 특정 내재적 속성이 유지될 수 있다. DL에서는 이러한 속성들이 합성 계층에서 다차원 특징으로 추출되어 최상위 계층에서 해석될 수 있으며, 이를 통해 효율적인 DL 기반 CV 응용 프로그램인 이미지 분류와 같은 작업이 가능하다. 따라서 본 연구에서는 먼저 다양한 OFDM 기반 이미지 통신시스템과 다양한 PHY 손상이 이미지 품질에 어떠한 영향을 미치는 지에 대해서 평가한다. 그 후에 DL 모델이 이러한 손상에 대한 하향 CV 응용 서비스에서의 강건성을 분석한다. DL 기반 하향 응용 서비스에서는 스마트 시티의 지능형 교통 시스템(ITS) 환경에서의 교통 표지판 인식을 고려하였다. 분석 결과, EfficientNetV2 기반 모델은 높은 손상이 있는 OFDM 기반 이미지 통신시스템에서 70%에서 90%의 정확도 범위를 달성함을 보여주었다. 또한 다양한 데이터 증강 기술을 활용하면 정확도가 최대 18% 향상됨을 입증하였다.|The Internet of Things (IoT) ecosystem demands fast, reliable, and efficient image data transmission to enable real-time Computer Vision (CV) applications. To fulfill these demands, the Orthogonal Frequency Division Multiplexing (OFDM)-based communication system has been widely utilized due to its parallel transmission scheme, higher spectral efficiency and data rate. However, in OFDM-based image communication systems, various impairments occur due to different physical layer (PHY) blocks such as source coding schemes, complex channel models, data transformation methods, modulation techniques, and the number of antennas, as well as interferences such as Inter-symbol Interferences (ISI) and Inter-carrier Interferences (ICI). These impairments can heavily corrupt the recovered images, making them unsuitable for downstream applications. Although OFDM communication systems have been thoroughly studied for several decades, and each PHY block is approaching maximum statistical and mathematical optimization, impairments still persist in the current digital communication systems. To address these challenges, researchers are exploring the use of artificial intelligence (AI) and Deep Learning (DL) in communication systems and downstream applications to improve overall system performance. DL is robust against certain image perturbations and can execute CV tasks even on heavily distorted images. The impairments from the PHY corrupt pixel values independently, but certain intrinsic properties of the image, such as spatial information, may remain intact. In DL, these properties can be extracted as multidimensional features in the convolution layers and interpreted in the top layers, enabling efficient DL-based CV applications like image classification. Therefore, in this study, we first evaluate various OFDM-based image communication systems and the effects of various PHY impairments on image quality. Subsequently, we analyze the robustness of DL models against these impairments for downstream CV applications. For DL-based downstream applications, we consider traffic sign recognition in Intelligent Transport System (ITS) environments in smart cities. Our analysis shows that the EfficientNetV2-based model achieves an accuracy range of 70%–90% across OFDM-based image communication systems with high impairments. Additionally, leveraging different data augmentation techniques improves accuracy by up to 18%.