基于语义通信的遥感图像高质量压缩与传输
本项目是 注意力增强型语义提取与联合信源信道编码 (Attention-enhanced Semantic Extraction and Joint Source Channel Coding, ASE-JSCC) 模型的代码实现。
- 🚀 开箱即用：配置简单，快速上手。
- 📦 测试数据支持：提供小规模数据集，方便用户快速验证和测试模型功能。
- 🎮 最新硬件支持：完美支持最新的 NVIDIA GeForce RTX 5070 显卡及对应驱动程序。
- 🐍 Conda 快捷安装：提供完整的 Conda 环境配置文件，一键搭建开发环境。
整体框架图如下所示：
核心注意力选择模块结构：
- 操作系统: Linux / Windows
- Python 版本: 3.10
- PyTorch 版本: 2.10.0+cu128
在安装依赖之前，建议先检查您的显卡驱动及 CUDA 状态，确保硬件（如 RTX 5070）被正确识别。
验证命令：
nvidia-smi预期输出示例：
+-----------------------------------------------------------------------------------------+
| NVIDIA-SMI 591.74 Driver Version: 591.74 CUDA Version: 13.1 |
+-----------------------------------------+------------------------+----------------------+
| GPU Name Driver-Model | Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap | Memory-Usage | GPU-Util Compute M. |
| | | MIG M. |
|=========================================+========================+======================|
| 0 NVIDIA GeForce RTX 5070 ... WDDM | 00000000:02:00.0 On | N/A |
| N/A 49C P0 20W / 130W | 1925MiB / 12227MiB | 1% Default |
| | | N/A |
+-----------------------------------------+------------------------+----------------------+
确认环境无误后，使用 Conda 进行快捷环境搭建：
# 1. 创建并激活 Conda 环境
conda create -n ASE-JSCC-New python=3.10 -y
conda activate ASE-JSCC-New
# 2. 安装 PyTorch (CUDA 12.8 支持，适配 RTX 5070)
pip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu128
# 3. 安装其他依赖
pip install tensorboard tensorboardX -i https://pypi.tuna.tsinghua.edu.cn/simple-
下载项目：将整个项目下载到本地机器。
-
配置环境：确保按照上述步骤正确配置了运行环境。
-
开始训练：
使用以下命令启动训练任务：
python ASE-JSCCtrain.py --task train --num_epochs 5
- 核心文件：
ASE-JSCCtrain.py包含完整的模型实现逻辑。 - 数据集下载：论文中使用的数据集下载链接均收录在
dataset.txt文件中。 - 说明：本流程内容基于实际实践整理，如有任何问题，欢迎提交 Issue。
High Quality Compression and Transmission of Remote Sensing Images Based on Semantic Communication