CN112464003A - 一种图像分类方法及相关装置 - Google Patents

一种图像分类方法及相关装置 Download PDF

Info

Publication number
CN112464003A
CN112464003A CN202011231177.4A CN202011231177A CN112464003A CN 112464003 A CN112464003 A CN 112464003A CN 202011231177 A CN202011231177 A CN 202011231177A CN 112464003 A CN112464003 A CN 112464003A
Authority
CN
China
Prior art keywords
quantum
output
data
convolution
hidden layer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011231177.4A
Other languages
English (en)
Other versions
CN112464003B (zh
Inventor
姜金哲
张新
李辰
李红珍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Inspur Intelligent Technology Co Ltd
Original Assignee
Suzhou Inspur Intelligent Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suzhou Inspur Intelligent Technology Co Ltd filed Critical Suzhou Inspur Intelligent Technology Co Ltd
Priority to CN202011231177.4A priority Critical patent/CN112464003B/zh
Publication of CN112464003A publication Critical patent/CN112464003A/zh
Application granted granted Critical
Publication of CN112464003B publication Critical patent/CN112464003B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了一种图像分类方法，包括：对待识别图像数据进行量子态化处理，得到量子态输入数据；根据卷积网络参数和训练参数采用设置有量子旋转门的卷积核对所述量子态输入数据进行计算，得到隐藏层数据；根据输出通道参数和训练参数采用设置有量子旋转门的卷积核对所述隐藏层数据进行计算，得到输出量子比特；对所述输出量子比特进行分类，得到分类结果。通过在隐藏层和输出层均采用设置有量子旋转门的卷积核进行计算，以便保持量子卷积网络的线性输出，避免出现不可知的问题，提高图像识别的准确性和精度。本申请还公开了一种图像分类装置、服务器以及计算机可读存储介质，具有以上有益效果。

Description

一种图像分类方法及相关装置
技术领域
本申请涉及量子计算技术领域，特别涉及一种图像分类方法、图像分类装置、服务器以及计算机可读存储介质。
背景技术
随着量子技术的不断发展，被应用在越来越多的领域中。其中，量子信息是量子物理与信息技术相结合发展起来的新学科，主要包括量子通信和量子计算两个领域。量子通信主要研究量子密码、量子隐形传态、远距离量子通信的技术等等；量子计算主要研究量子计算机和适合于量子计算机的量子算法。
在量子计算的相关技术中，仅有的一些在隐藏层采用相邻两像素池化方法，即相邻的两像素相乘作为该位置输出。而在输出层仍使用传统分类方法，例如Softmax函数作为分类函数。Softmax在机器学习中有非常广泛的应用，非常多的多分类神经网络、卷积神经网络在输出层采用这种函数。但是，在实际使用中这种分类函数的量子卷积神经网络存在以下问题：首先卷积核的大小和卷积方式固定，只能应用在维数较低的数据中，对于不同数据集的扩展性很差，应用场景局限。然后是分类函数的非线性问题，导致非线性计算过程会存在一些不可预知的问题，降低了量子卷积网络进行计算的准确性和精度，进一步的降低了在图像识别过程中的准确性和精度。
因此，如何提高量子卷积网络进行计算的准确性和精度是本领域技术人员关注的重点问题。
发明内容
本申请的目的是提供一种图像分类方法、图像分类装置、服务器以及计算机可读存储介质，通过在隐藏层和输出层均采用设置有量子旋转门的卷积核进行计算，以便保持量子卷积网络的线性输出，避免出现不可知的问题，提高图像识别的准确性和精度。
为解决上述技术问题，本申请提供一种图像分类方法，包括：
对待识别图像数据进行量子态化处理，得到量子态输入数据；
根据卷积网络参数和训练参数采用设置有量子旋转门的卷积核对所述量子态输入数据进行计算，得到隐藏层数据；
根据输出通道参数和训练参数采用设置有量子旋转门的卷积核对所述隐藏层数据进行计算，得到输出量子比特；
对所述输出量子比特进行分类，得到分类结果。
可选的，还包括：
采用卷积神经网络和量子计算原理对训练数据进行训练处理，得到所述训练参数。
可选的，对待识别图像数据进行量子态化处理，得到量子态输入数据，包括：
通过三角函数对所述待识别图像数据进行量子态映射处理，得到所述量子态输入数据。
可选的，根据卷积网络参数和训练参数采用设置有量子旋转门的卷积核对所述量子态输入数据进行计算，得到隐藏层数据，包括：
根据所述卷积网络参数和所述训练参数对所述设置有量子旋转门的卷积核进行设置，得到隐藏层；
采用所述隐藏层对所述量子态输入数据进行计算，得到所述隐藏层数据。
可选的，根据输出通道参数和训练参数采用设置有量子旋转门的卷积核对所述隐藏层数据进行计算，得到输出量子比特，包括：
根据所述输出通道参数和所述训练参数对所述设置有量子旋转门的卷积核进行设置，得到所述输出层；
采用所述输出层对所述隐藏层数据进行计算，得到所述输出量子比特。
可选的，对所述输出量子比特进行分类，得到分类结果，包括：
根据所述输出量子比特的位数进行分类标签量子态编码处理，得到多个量子态分类标签；
将所述输出量子比特与所述多个分类标签进行对比，得到所述分类结果。
本申请还提供一种图像分类装置，包括：
量子态化模块，用于对待识别图像数据进行量子态化处理，得到量子态输入数据；
隐藏层计算模块，用于根据卷积网络参数和训练参数采用设置有量子旋转门的卷积核对所述量子态输入数据进行计算，得到隐藏层数据；
输出层计算模块，用于根据输出通道参数和训练参数采用设置有量子旋转门的卷积核对所述隐藏层数据进行计算，得到输出量子比特；
结果分类模块，用于对所述输出量子比特进行分类，得到分类结果。
可选的，还包括：
参数训练模块，用于采用卷积神经网络和量子计算原理对训练数据进行训练处理，得到所述训练参数。
本申请还提供一种服务器，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上所述的图像分类方法的步骤。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的图像分类方法的步骤。
本申请所提供的一种图像分类方法，包括：对待识别图像数据进行量子态化处理，得到量子态输入数据；根据卷积网络参数和训练参数采用设置有量子旋转门的卷积核对所述量子态输入数据进行计算，得到隐藏层数据；根据输出通道参数和训练参数采用设置有量子旋转门的卷积核对所述隐藏层数据进行计算，得到输出量子比特；对所述输出量子比特进行分类，得到分类结果。
通过首先对待识别图像数据进行量子态化处理，得到量子态输入数据；然后根据卷积网络参数和训练参数采用设置有量子旋转门的卷积核对所述量子态输入数据进行计算，得到隐藏层数据；再然后根据输出通道参数和训练参数采用设置有量子旋转门的卷积核对所述隐藏层数据进行计算，得到输出量子比特；最后对所述输出量子比特进行分类，得到分类结果，在隐藏层和输出层均采用设置有量子旋转门的卷积核进行计算，以便保持量子卷积网络的线性输出，避免出现不可知的问题，提高图像识别的准确性和精度。此外，还可以通过对卷积网络参数和输出通道参数分别进行设置，以便应对不同维度的数据，提高了图像识别的应用范围。
本申请还提供一种图像分类装置、服务器以及计算机可读存储介质，具有以上有益效果，在此不做赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种图像分类方法的流程图；
图2为本申请实施例所提供的一种图像分类装置的结构示意图。
具体实施方式
本申请的核心是提供一种图像分类方法、图像分类装置、服务器以及计算机可读存储介质，通过在隐藏层和输出层均采用设置有量子旋转门的卷积核进行计算，以便保持量子卷积网络的线性输出，避免出现不可知的问题，提高图像识别的准确性和精度。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在量子计算的相关技术中，仅有的一些在隐藏层采用相邻两像素池化方法，即相邻的两像素相乘作为该位置输出。而在输出层仍使用传统分类方法，例如Softmax函数作为分类函数。Softmax在机器学习中有非常广泛的应用，非常多的多分类神经网络、卷积神经网络在输出层采用这种函数。但是，在实际使用中这种分类函数的量子卷积神经网络存在以下问题：首先卷积核的大小和卷积方式固定，只能应用在维数较低的数据中，对于不同数据集的扩展性很差，应用场景局限。然后是分类函数的非线性问题，导致非线性计算过程会存在一些不可预知的问题，降低了量子卷积网络进行计算的准确性和精度，进一步的降低了在图像识别过程中的准确性和精度。
因此，本申请提供了一种图像分类方法，通过首先对待识别图像数据进行量子态化处理，得到量子态输入数据；然后根据卷积网络参数和训练参数采用设置有量子旋转门的卷积核对所述量子态输入数据进行计算，得到隐藏层数据；再然后根据输出通道参数和训练参数采用设置有量子旋转门的卷积核对所述隐藏层数据进行计算，得到输出量子比特；最后对所述输出量子比特进行分类，得到分类结果，在隐藏层和输出层均采用设置有量子旋转门的卷积核进行计算，以便保持量子卷积网络的线性输出，避免出现不可知的问题，提高图像识别的准确性和精度。此外，还可以通过对卷积网络参数和输出通道参数分别进行设置，以便应对不同维度的数据，提高了图像识别的应用范围。
以下通过一个实施例，对本申请提供的一种图像分类方法进行说明。
请参考图1，图1为本申请实施例所提供的一种图像分类方法的流程图。
本实施例中，该方法可以包括：
S101，对待识别图像数据进行量子态化处理，得到量子态输入数据；
本步骤旨在将待识别图像数据进行量子态化处理，得到量子态输入数据，也就是将待识别图像数据转化为量子态的数据。
其中，对待识别图像数据进行量子态化处理的方式可以将数据映射至量子状态。例如，通过三角函数的方式将数据进行映射。
需要知道的是，本实施例中各个步骤均由量子计算机执行。因此，本实施例中各个数据的状态均为量子态。
可选的，本步骤可以包括：
通过三角函数对待识别图像数据进行量子态映射处理，得到量子态输入数据。
可见，本可选方案中主要是对如何处理得到量子态输入数据的过程进行说明。主要的是本可选方案中通过三角函数对待识别图像数据进行量子态映射处理，得到量子态输入数据。
S102，根据卷积网络参数和训练参数采用设置有量子旋转门的卷积核对量子态输入数据进行计算，得到隐藏层数据；
在S101的基础上，本步骤旨在根据卷积网络参数和训练参数采用设置有量子旋转门的卷积核对量子态输入数据进行计算，得到隐藏层数据。也就是，通过量子卷积神经网络对量子态输入数据在隐藏层进行相应的计算。
其中，量子卷积神经网络主要由量子比特和量子门构成。在量子卷积神经网络中使用的基本单元为量子比特，对应计算机当中比特的概念。量子比特有两个可能的状态|0>，|1>，对应比特的开关状态，但与经典比特的区别在于，量子比特的状态可以是两种状态的线性叠加状态，其形式为：
Figure BDA0002765263130000061
其中，α、β称为量子态的概率幅，分别表示处于两种态的概率分布，满足|α|2+|β|2＝100％。这也是量子比特的特点与优势之一，可以同时表征两种状态，量子计算也正是利用这个特性。量子卷积神经网络的二维输入中的每个像素位均为量子比特表示，并且卷积核也同样的为量子态二维矩阵。
量子门也是实现量子卷积神经网络的基础，是对量子态进行的控制操作。常用的单量子控制门量子旋转门R(θ)都可以使目标量子比特旋转特定的角度，即改变其概率幅分布，起到和传统卷积神经网络卷积核参数的作用。多位量子控制门，如n位受控非门是在前n个量子比特全为|1>态时候，才对目标比特进行作用，多在量子比特信息聚合时使用，具体的公式如下：
Figure BDA0002765263130000062
其中，C代表量子受控非门操作，n代表n位的受控非门，h代表输入的控制比特集合，h1-hn代表每个控制量子比特，0为受控制比特，X代表量子非门。该量子受控非门的操作逻辑是：输入n个控制量子比特和一个受控制量子比特，当所有的控制量子比特为1时候，对受控制量子比特进行非操作，其他所有情况对受控制量子比特不进行操作。
可见，量子卷积神经网络主要利用卷积核通过这些门对量子比特作用达到计算的目的。
可选的，本步骤可以包括：
步骤1，根据卷积网络参数和训练参数对设置有量子旋转门的卷积核进行设置，得到隐藏层；
步骤2，采用隐藏层对量子态输入数据进行计算，得到隐藏层数据。
可见，本可选方案主要是说明如何通过隐藏层进行计算。进一步的，本可选方案中首先根据卷积网络参数和训练参数对设置有量子旋转门的卷积核进行设置，得到隐藏层；然后，采用隐藏层对量子态输入数据进行计算，得到隐藏层数据。
S103，根据输出通道参数和训练参数采用设置有量子旋转门的卷积核对隐藏层数据进行计算，得到输出量子比特；
在S102的基础上，本步骤旨在根据输出通道参数和训练参数采用设置有量子旋转门的卷积核对隐藏层数据进行计算，得到输出量子比特。
也就是，在隐藏层计算完成的基础上，通过本步骤在输出层进行相应的计算操作。
其中，输出通道参数即为在该输出层中设置有多少个通道。
可选的，本步骤可以包括：
步骤1，根据输出通道参数和训练参数对设置有量子旋转门的卷积核进行设置，得到输出层；
步骤2，采用输出层对隐藏层数据进行计算，得到输出量子比特。
可见，本可选方案主要是对如何在输出层计算的过程进行说明。进一步的，本步骤中首先根据输出通道参数和训练参数对设置有量子旋转门的卷积核进行设置，得到输出层；然后，采用输出层对隐藏层数据进行计算，得到输出量子比特。
S104，对输出量子比特进行分类，得到分类结果。
在S103的基础上，本步骤旨在对输出量子比特进行分类，得到分类结果。也就是对输出层输出的数据进行相应的分类操作，得到分类结果。
其中，也就是说将输出层最终输出的输出量子比特进行分类，以便确定最终输出结果的分类，即在结果中存在多少种分类，进一步确定当前的输出量子比特的结果，得到分类结果。
举例来说，该输出量子比特的位数为m位，可以表征2m个状态，进一步可以选择其中的k个状态作为分类输出标签，分别对应了k个原始标签，并对最后输出的量子态结果进行分类。例如，两个量子比特位可以表征|00>，|01>，|10>，|11>四种状态，取|00>，|01>，|10>三个作为三分类问题的标签，根据输入数据最终的输出量子态结果属于其中哪一种，便完成了分类任务。
可选的，本步骤可以包括：
步骤1，根据输出量子比特的位数进行分类标签量子态编码处理，得到多个量子态分类标签；
步骤2，将输出量子比特与多个分类标签进行对比，得到分类结果。
可见，本可选方案中主要是对如何进行相应的分类操作进行说明。本可选方案中首先根据输出量子比特的位数进行分类标签量子态编码处理，得到多个量子态分类标签；然后，将输出量子比特与多个分类标签进行对比，得到分类结果。
可选的，本实施例还可以包括：
采用卷积神经网络和量子计算原理对训练数据进行训练处理，得到训练参数。
可见，本可选方案中还可以包括采用卷积神经网络和量子计算原理对训练数据进行训练处理，得到训练参数。进一步的，本可选方案主要是在传统的计算机中对传统的卷积神经网路进行训练，得到的训练参数。
综上，本实施例通过首先对待识别图像数据进行量子态化处理，得到量子态输入数据；然后根据卷积网络参数和训练参数采用设置有量子旋转门的卷积核对量子态输入数据进行计算，得到隐藏层数据；再然后根据输出通道参数和训练参数采用设置有量子旋转门的卷积核对隐藏层数据进行计算，得到输出量子比特；最后对输出量子比特进行分类，得到分类结果，在隐藏层和输出层均采用设置有量子旋转门的卷积核进行计算，以便保持量子卷积网络的线性输出，避免出现不可知的问题，提高图像识别的准确性和精度。此外，还可以通过对卷积网络参数和输出通道参数分别进行设置，以便应对不同维度的数据，提高了图像识别的应用范围。
以下通过一个具体的实施例，对本申请提供的一种图像分类方法做进一步说明。
本实施例中，该方法可以包括：
首先，采用合适的映射方式将传统二维数据的样本转化为可为量子计算机使用的输入量子态。例如，xi→|xi>＝cos(xi)|0>+sin(xi)|1>这种三角函数映射方法，其中，xi为输入样本中的每个像素点的数值，并对量子计算机的输入量子比特进行制备。
然后，量子态输入数据进入隐藏层，根据计算场景需求设置所需维度n，即设置为n×n量子卷积核，其中卷积核由量子旋转门构成，每个旋转门的角度为可训练参数。然后根据计算场景需求设置卷积操作的步长，即在卷积计算的过程中卷积核每次移动的数据点数，然后采用与传统卷积方式相同的过程，量子卷积核逐步扫过整个输入样本数据，与相对应位置的数据点进行计算。其中输出的每个像素点量子态为
|hi>＝α|0>+(Πsin(xi+θi))∣1>,α2＝1-(Πsin(xi+θi))2。
其中，θi为卷积核中对应位置的参数值。隐藏层层数不唯一，可根据计算需求设置。|hi>为隐藏层计算后每个像素的量子态表示，通过量子卷积对该层输入进行卷积计算后得到。xi为该层的输入量子态，θi为量子卷积核参数，即是量子旋转门的参数，α为0态的参数，通过方程可得。
再然后，量子态输入数据进入输出层，设置m个通道、每个通道与输入数据维度相同的量子卷积核，其中量子卷积核也同样为量子旋转门构成，旋转角度为可训练参数，利用全局池化的方法对输入数据进行操作，得到m个输出量子比特。每个输出量子态为
|yi>＝α|0>+(Πsin(hi+θi))|1>,α2＝1-(Πsin(hi+θi))2
其中，m的值主要取决于分类类别的个数k，m＝log2(k)，m不为整数时则向上取整。|yi>为输出层计算后的量子态表示，通过量子卷积对该层输入进行卷积计算后得到。hi为该层的输入量子态，θi为量子卷积核参数，即是量子旋转门的参数，α为0态的参数，通过方程可得。
最后，输出的m个量子比特可表征2m个状态，取其中k个作为分类输出标签，分别对应k个原始标签，根据最后输出量子态结果便可进行分类任务。例如，两个量子比特可表征|00>，|01>，|10>，|11>四种状态，取|00>，|01>，|10>三个作为三分类问题的标签，根据输入数据最终的输出量子态结果属于其中哪一种，便完成了分类任务。
总的来说，本实施例的量子网络中的维度和步长可以通过需求进行设定，将传统的卷积神经网络与量子计算相结合，利用两者各自优势，更有效的进行图像分类任务。进一步的，本实施例中分类方法计算过程为线性过程，使用该方法后量子卷积神经网络为全局的线性计算过程，提高了泛化能力。
很显然，本实施例通过首先对待识别图像数据进行量子态化处理，得到量子态输入数据；然后根据卷积网络参数和训练参数采用设置有量子旋转门的卷积核对量子态输入数据进行计算，得到隐藏层数据；再然后根据输出通道参数和训练参数采用设置有量子旋转门的卷积核对隐藏层数据进行计算，得到输出量子比特；最后对输出量子比特进行分类，得到分类结果，在隐藏层和输出层均采用设置有量子旋转门的卷积核进行计算，以便保持量子卷积网络的线性输出，避免出现不可知的问题，提高图像识别的准确性和精度。此外，还可以通过对卷积网络参数和输出通道参数分别进行设置，以便应对不同维度的数据，提高了图像识别的应用范围。
下面对本申请实施例提供的图像分类装置进行介绍，下文描述的图像分类装置与上文描述的图像分类方法可相互对应参照。
请参考图2，图2为本申请实施例所提供的一种图像分类装置的结构示意图。
本实施例中，该装置可以包括：
量子态化模块100，用于对待识别图像数据进行量子态化处理，得到量子态输入数据；
隐藏层计算模块200，用于根据卷积网络参数和训练参数采用设置有量子旋转门的卷积核对量子态输入数据进行计算，得到隐藏层数据；
输出层计算模块300，用于根据输出通道参数和训练参数采用设置有量子旋转门的卷积核对隐藏层数据进行计算，得到输出量子比特；
结果分类模块400，用于对输出量子比特进行分类，得到分类结果。
可选的，该装置还可以包括：
参数训练模块，用于采用卷积神经网络和量子计算原理对训练数据进行训练处理，得到训练参数。
可选的，该量子态化模块100具体用于通过三角函数对待识别图像数据进行量子态映射处理，得到量子态输入数据。
可选的，该隐藏层计算模块200具体用于根据卷积网络参数和训练参数对设置有量子旋转门的卷积核进行设置，得到隐藏层；采用隐藏层对量子态输入数据进行计算，得到隐藏层数据。
可选的，该输出层计算模块300具体用于根据输出通道参数和训练参数对设置有量子旋转门的卷积核进行设置，得到输出层；采用输出层对隐藏层数据进行计算，得到输出量子比特。
可选的，该结果分类模块400具体用于根据输出量子比特的位数进行分类标签遍历处理，得到多个分类标签；将输出量子比特与多个分类标签进行对比，得到分类结果。
本申请实施例还提供一种服务器，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如以上实施例所述的图像分类方法的步骤。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如以上实施例所述的图像分类方法的步骤。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的一种图像分类方法、图像分类装置、服务器以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

Claims (10)

1.一种图像分类方法，其特征在于，包括：
对待识别图像数据进行量子态化处理，得到量子态输入数据；
根据卷积网络参数和训练参数采用设置有量子旋转门的卷积核对所述量子态输入数据进行计算，得到隐藏层数据；
根据输出通道参数和训练参数采用设置有量子旋转门的卷积核对所述隐藏层数据进行计算，得到输出量子比特；
对所述输出量子比特进行分类，得到分类结果。
2.根据权利要求1所述的图像分类方法，其特征在于，还包括：
采用卷积神经网络和量子计算原理对训练数据进行训练处理，得到所述训练参数。
3.根据权利要求1所述的图像分类方法，其特征在于，对待识别图像数据进行量子态化处理，得到量子态输入数据，包括：
通过三角函数对所述待识别图像数据进行量子态映射处理，得到所述量子态输入数据。
4.根据权利要求1所述的图像分类方法，其特征在于，根据卷积网络参数和训练参数采用设置有量子旋转门的卷积核对所述量子态输入数据进行计算，得到隐藏层数据，包括：
根据所述卷积网络参数和所述训练参数对所述设置有量子旋转门的卷积核进行设置，得到隐藏层；
采用所述隐藏层对所述量子态输入数据进行计算，得到所述隐藏层数据。
5.根据权利要求1所述的图像分类方法，其特征在于，根据输出通道参数和训练参数采用设置有量子旋转门的卷积核对所述隐藏层数据进行计算，得到输出量子比特，包括：
根据所述输出通道参数和所述训练参数对所述设置有量子旋转门的卷积核进行设置，得到所述输出层；
采用所述输出层对所述隐藏层数据进行计算，得到所述输出量子比特。
6.根据权利要求1所述的图像分类方法，其特征在于，对所述输出量子比特进行分类，得到分类结果，包括：
根据所述输出量子比特的位数进行分类标签量子态编码处理，得到多个量子态分类标签；
将所述输出量子比特与所述多个分类标签进行对比，得到所述分类结果。
7.一种图像分类装置，其特征在于，包括：
量子态化模块，用于对待识别图像数据进行量子态化处理，得到量子态输入数据；
隐藏层计算模块，用于根据卷积网络参数和训练参数采用设置有量子旋转门的卷积核对所述量子态输入数据进行计算，得到隐藏层数据；
输出层计算模块，用于根据输出通道参数和训练参数采用设置有量子旋转门的卷积核对所述隐藏层数据进行计算，得到输出量子比特；
结果分类模块，用于对所述输出量子比特进行分类，得到分类结果。
8.根据权利要求7所述的图像分类装置，其特征在于，还包括：
参数训练模块，用于采用卷积神经网络和量子计算原理对训练数据进行训练处理，得到所述训练参数。
9.一种服务器，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述的图像分类方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的图像分类方法的步骤。
CN202011231177.4A 2020-11-06 2020-11-06 一种图像分类方法及相关装置 Active CN112464003B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011231177.4A CN112464003B (zh) 2020-11-06 2020-11-06 一种图像分类方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011231177.4A CN112464003B (zh) 2020-11-06 2020-11-06 一种图像分类方法及相关装置

Publications (2)

Publication Number Publication Date
CN112464003A true CN112464003A (zh) 2021-03-09
CN112464003B CN112464003B (zh) 2023-04-28

Family

ID=74825893

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011231177.4A Active CN112464003B (zh) 2020-11-06 2020-11-06 一种图像分类方法及相关装置

Country Status (1)

Country Link
CN (1) CN112464003B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255747A (zh) * 2021-05-14 2021-08-13 山东英信计算机技术有限公司 量子多通道卷积神经分类方法、系统、终端及存储介质
CN113361664A (zh) * 2021-08-10 2021-09-07 北京航空航天大学 一种基于量子卷积神经网络的图像识别系统及方法
CN113435581A (zh) * 2021-06-30 2021-09-24 北京量子信息科学研究院 数据处理方法、量子计算机、装置及存储介质
CN114419380A (zh) * 2022-03-31 2022-04-29 苏州浪潮智能科技有限公司 一种图像识别方法、装置及电子设备和存储介质
CN114792378A (zh) * 2021-03-30 2022-07-26 合肥本源量子计算科技有限责任公司 一种量子图像识别方法及装置
CN114821217A (zh) * 2021-06-28 2022-07-29 合肥本源量子计算科技有限责任公司 一种基于量子经典混合神经网络的图像识别方法及装置
CN114863167A (zh) * 2022-04-22 2022-08-05 苏州浪潮智能科技有限公司 一种图像识别分类的方法、系统、设备以及介质
CN116109854A (zh) * 2021-11-09 2023-05-12 合肥本源量子计算科技有限责任公司 军事武器装备类别确定方法、装置、介质及电子装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110889428A (zh) * 2019-10-21 2020-03-17 浙江大搜车软件技术有限公司 图像识别方法、装置、计算机设备与存储介质
CN110909796A (zh) * 2019-11-22 2020-03-24 浪潮电子信息产业股份有限公司 一种图像分类方法及相关装置
CN111008924A (zh) * 2019-12-02 2020-04-14 西安交通大学深圳研究院 一种图像处理方法、装置、电子设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110889428A (zh) * 2019-10-21 2020-03-17 浙江大搜车软件技术有限公司 图像识别方法、装置、计算机设备与存储介质
CN110909796A (zh) * 2019-11-22 2020-03-24 浪潮电子信息产业股份有限公司 一种图像分类方法及相关装置
CN111008924A (zh) * 2019-12-02 2020-04-14 西安交通大学深圳研究院 一种图像处理方法、装置、电子设备及存储介质

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114792378A (zh) * 2021-03-30 2022-07-26 合肥本源量子计算科技有限责任公司 一种量子图像识别方法及装置
CN114792378B (zh) * 2021-03-30 2023-08-11 本源量子计算科技（合肥）股份有限公司 一种量子图像识别方法及装置
CN113255747B (zh) * 2021-05-14 2023-07-28 山东英信计算机技术有限公司 量子多通道卷积神经分类方法、系统、终端及存储介质
CN113255747A (zh) * 2021-05-14 2021-08-13 山东英信计算机技术有限公司 量子多通道卷积神经分类方法、系统、终端及存储介质
CN114821217A (zh) * 2021-06-28 2022-07-29 合肥本源量子计算科技有限责任公司 一种基于量子经典混合神经网络的图像识别方法及装置
CN114821217B (zh) * 2021-06-28 2023-08-08 本源量子计算科技（合肥）股份有限公司 一种基于量子经典混合神经网络的图像识别方法及装置
CN113435581A (zh) * 2021-06-30 2021-09-24 北京量子信息科学研究院 数据处理方法、量子计算机、装置及存储介质
CN113435581B (zh) * 2021-06-30 2023-11-07 北京量子信息科学研究院 数据处理方法、量子计算机、装置及存储介质
CN113361664B (zh) * 2021-08-10 2021-11-05 北京航空航天大学 一种基于量子卷积神经网络的图像识别系统及方法
CN113361664A (zh) * 2021-08-10 2021-09-07 北京航空航天大学 一种基于量子卷积神经网络的图像识别系统及方法
CN116109854A (zh) * 2021-11-09 2023-05-12 合肥本源量子计算科技有限责任公司 军事武器装备类别确定方法、装置、介质及电子装置
CN114419380A (zh) * 2022-03-31 2022-04-29 苏州浪潮智能科技有限公司 一种图像识别方法、装置及电子设备和存储介质
CN114863167A (zh) * 2022-04-22 2022-08-05 苏州浪潮智能科技有限公司 一种图像识别分类的方法、系统、设备以及介质
WO2023202137A1 (zh) * 2022-04-22 2023-10-26 苏州浪潮智能科技有限公司 一种图像识别分类的方法、系统、设备以及介质
CN114863167B (zh) * 2022-04-22 2024-02-02 苏州浪潮智能科技有限公司 一种图像识别分类的方法、系统、设备以及介质

Also Published As

Publication number Publication date
CN112464003B (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
CN112464003A (zh) 一种图像分类方法及相关装置
Li et al. LGM-Net: Learning to generate matching networks for few-shot learning
Gong et al. Superpixel-based difference representation learning for change detection in multispectral remote sensing images
CN112001498B (zh) 基于量子计算机的数据识别方法、装置及可读存储介质
US20240095563A1 (en) Quantum convolution operator
Singh et al. Steganalysis of digital images using deep fractal network
Kim et al. Label-preserving data augmentation for mobile sensor data
Ma et al. Learning series-parallel lookup tables for efficient image super-resolution
Imani et al. Neural computation for robust and holographic face detection
Weber et al. Observer dependent lossy image compression
US11663295B2 (en) Methods and systems for generating synthetic microstructure images of material with desired features
CN113255747B (zh) 量子多通道卷积神经分类方法、系统、终端及存储介质
Resmi et al. Analogy-based approaches to improve software project effort estimation accuracy
Altares-López et al. AutoQML: Automatic generation and training of robust quantum-inspired classifiers by using evolutionary algorithms on grayscale images
Li et al. Ensemble generative adversarial imputation network with selective multi-generator (ESM-GAIN) for Missing data imputation
Wang et al. A quantum segmentation algorithm based on local adaptive threshold for NEQR image
Chen et al. Hyperspectral remote sensing IQA via learning multiple kernels from mid-level features
Li et al. Multivariable fuzzy rule-based models and their granular generalization: A visual interpretable framework
Zhou et al. A multi-classification classifier based on variational quantum computation
Xiong et al. Deep feature representation via multiple stack auto-encoders
CN113409316B (zh) 一种图像分类方法、装置、计算机可读存储介质及设备
Jin et al. Blind image quality assessment for multiple distortion image
Yu et al. Balanced data driven sparsity for unsupervised deep feature learning in remote sensing images classification
Kannan Feature selection using genetic algorithms
Huang et al. Generalized regression neural network optimized by genetic algorithm for solving out-of-sample extension problem in supervised manifold learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant