CN114863167B - 一种图像识别分类的方法、系统、设备以及介质 - Google Patents
一种图像识别分类的方法、系统、设备以及介质 Download PDFInfo
- Publication number
- CN114863167B CN114863167B CN202210425517.XA CN202210425517A CN114863167B CN 114863167 B CN114863167 B CN 114863167B CN 202210425517 A CN202210425517 A CN 202210425517A CN 114863167 B CN114863167 B CN 114863167B
- Authority
- CN
- China
- Prior art keywords
- image sample
- neural network
- trained
- spherical coordinates
- quantum
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 74
- 239000011159 matrix material Substances 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 18
- 230000004044 response Effects 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 239000002096 quantum dot Substances 0.000 description 4
- 238000013461 design Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像识别分类的方法,包括以下步骤:将每一个图像样本输入到待训练的量子神经网络中并将每一个输出转换为布洛克球面上的球坐标;根据每一个图像样本的标签以及预设的角度调整大小确定每一个图像样本对应的球坐标的旋转方向和旋转角度;基于每一个图像样本对应的球坐标的旋转方向和旋转角度计算每一个图像样本对应的酉矩阵;根据量子门分解定理和每一个酉矩阵计算对应的参数并求取每一个图像样本对应的参数的平均值以利用平均值更新待训练的量子神经网络的参数;响应于更新后的待训练的量子神经网络收敛,结束训练并利用训练好的量子神经网络进行图像识别分类。本发明还公开了一种系统、计算机设备以及可读存储介质。
Description
技术领域
本发明涉及图像识别分类领域,具体涉及一种图像识别分类的方法、系统、设备以及存储介质。
背景技术
量子机器学习主要包括量子支持向量机,量子PCA,量子神经网络等算法,主要是通过量子门的组合对量子比特进行一系列特殊的操作实现。在量子机器学习中,量子比特对应传统计算机当中比特的概念,有两个存在的状态|0>,|1>,对应传统比特的开关状态。量子门则是实现量子机器学习算法的重要工具,是对量子态进行的控制操作。常用的单量子控制门包括可以使目标量子比特在特定的方向上旋转特定角度的量子旋转门,作为可以携带参数的操作,在量子机器学习中扮演重要的角色,大部分的可训练的模型参数是由量子旋转门携带的。常用的双量子控制门包括控制门,交换门等,主要完成量子比特间的控制操作和纠缠操作,通过将各种门有序的组合起来,能够在最终的输出中收获我们想要的信息,实现特定的算法。
在将神经网络进行训练以将其用于图像识别分类时,由于目前神经网络可解释性主要是通过不同的手段来解释这些既有的黑盒算法,从而来解释这些黑盒模型的决策依据,包括敏感性分析、基于梯度的方法和替代模型等思路,但这些方法都没能从根本上对模型做出很好的解释。所以对于模型参数的训练主要依靠迭代步骤的梯度下降方法。这种方法效果是目前较为理想的方法,但是通过这种方法训练神经网络以使其能够用于图像识别分类需要进行大量的参数训练迭代,不仅耗费计算资源,也比较耗时,从而导致在进行图像识别分类时效率不高。相较于现有的用于图像识别分类的神经网络,由于量子神经网络的量子计算的纯线性等特征,与传统计算相比具有良好的泛化性能,理论上也具有更好的可解释性,因此存在通过训练量子神经网络并使用量子神经网络进行图像识别分类的需求。
发明内容
有鉴于此,为了克服上述问题的至少一个方面,本发明实施例提出一种图像识别分类的方法,包括以下步骤:
将每一个图像样本输入到待训练的量子神经网络中并将每一个输出转换为布洛克球面上的球坐标;
根据所述每一个图像样本的标签以及预设的角度调整大小确定所述每一个图像样本对应的球坐标的旋转方向和旋转角度;
基于所述每一个图像样本对应的球坐标的旋转方向和旋转角度计算所述每一个图像样本对应的酉矩阵;
根据量子门分解定理和所述每一个图像样本对应的酉矩阵计算所述每一个图像样本对应的参数并求取所述每一个图像样本对应的参数的平均值以利用所述平均值更新所述待训练的量子神经网络的参数;
响应于更新后的待训练的量子神经网络收敛,结束训练并利用训练好的量子神经网络进行图像识别分类。
在一些实施例中,将每一个输出转换为布洛克球面上的球坐标,进一步包括:
利用进行转换;
其中,a|0>+b|1>为待训练的量子神经网络的输出,θ和为球坐标,e为自然常数,i为虚数单位。
在一些实施例中,根据所述每一个图像样本的标签以及预设的角度调整大小确定所述每一个图像样本对应的球坐标的旋转方向和旋转角度,进一步包括:
响应于图像样本的标签为第一标签,则对应的球坐标θ的旋转方向和旋转角度Δθ为-α;
响应于图像样本的标签为第二标签,则对应的球坐标θ的旋转方向和旋转角度Δθ为α;
其中,α为预设的角度调整大小。
在一些实施例中,基于所述每一个图像样本对应的球坐标的旋转方向和旋转角度计算所述每一个图像样本对应的酉矩阵,进一步包括基于下式计算酉矩阵:
其中,U为酉矩阵,为U的共轭转置矩阵,I为单位矩阵。
在一些实施例中,响应于更新后的待训练的量子神经网络收敛,结束训练,进一步包括:
根据公式和loss=∑ndn计算损失函数值,其中,label为标签对应的值,θ′n为将所述每一个图像样本输出到所述更新后的待训练的量子神经网络后得到的球坐标;
响应于所述损失函数值达到预设值,结束训练。
在一些实施例中,还包括:
响应于所述损失函数值未达到预设值,继续迭代训练。
在一些实施例中,还包括:
构建测试集;
利用所述测试集对训练后的量子神经网络进行验证。
基于同一发明构思,根据本发明的另一个方面,本发明的实施例还提供了一种图像识别分类的系统,包括:
转换模块,配置为将每一个图像样本输入到待训练的量子神经网络中并将每一个输出转换为布洛克球面上的球坐标;
调整模块,配置为根据所述每一个图像样本的标签以及预设的角度调整大小确定所述每一个图像样本对应的球坐标的旋转方向和旋转角度;
第一计算模块,配置为基于所述每一个图像样本对应的球坐标的旋转方向和旋转角度计算所述每一个图像样本对应的酉矩阵;
第二计算模块,配置为根据量子门分解定理和所述每一个图像样本对应的酉矩阵计算所述每一个图像样本对应的参数并求取所述每一个图像样本对应的参数的平均值以利用所述平均值更新所述待训练的量子神经网络的参数;
识别分类模块,配置为响应于更新后的待训练的量子神经网络收敛,结束训练并利用训练好的量子神经网络进行图像识别分类。
基于同一发明构思,根据本发明的另一个方面,本发明的实施例还提供了一种计算机设备,包括:
至少一个处理器;以及
存储器,所述存储器存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时执行如上所述的任一种图像识别分类的方法的步骤。
基于同一发明构思,根据本发明的另一个方面,本发明的实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时执行如上所述的任一种图像识别分类的方法的步骤。
本发明具有以下有益技术效果之一:本发明提出的方案能够通过相比于训练现有的神经网络更高效的训练量子神经网络,不仅能够节省资源,还能够更高效的进行图像的分类识别。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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,还可以根据这些附图获得其他的实施例。
图1为本发明的实施例提供的图像识别分类的方法的流程示意图;
图2为本发明的实施例提供的量子态的空间布洛克球表示示意图;
图3为本发明的实施例提供的量子神经网络电路示意图;
图4为本发明的实施例提供的图像识别分类的系统的结构示意图;
图5为本发明的实施例提供的计算机设备的结构示意图;
图6为本发明的实施例提供的计算机可读存储介质的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明实施例进一步详细说明。
需要说明的是,本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量,可见“第一”“第二”仅为了表述的方便,不应理解为对本发明实施例的限定,后续实施例对此不再一一说明。
根据本发明的一个方面,本发明的实施例提出一种图像识别分类的方法,如图1所示,其可以包括步骤:
S1,将每一个图像样本输入到待训练的量子神经网络中并将每一个输出转换为布洛克球面上的球坐标;
S2,根据所述每一个图像样本的标签以及预设的角度调整大小确定所述每一个图像样本对应的球坐标的旋转方向和旋转角度;
S3,基于所述每一个图像样本对应的球坐标的旋转方向和旋转角度计算所述每一个图像样本对应的酉矩阵;
S4,根据量子门分解定理和所述每一个图像样本对应的酉矩阵计算所述每一个图像样本对应的参数并求取所述每一个图像样本对应的参数的平均值以利用所述平均值更新所述待训练的量子神经网络的参数;
S5,响应于更新后的待训练的量子神经网络收敛,结束训练并利用训练好的量子神经网络进行图像识别分类。
本方法提出的方案能够更高效的训练量子神经网络,不仅能够节省资源,还能够更高效的进行图像的分类识别。
在一些实施例中,步骤S1,将每一个输出转换为布洛克球面上的球坐标,进一步包括:
利用进行转换;
其中,a|0>+b|1>为待训练的量子神经网络的输出,θ和为球坐标,i为虚数单位。
具体的,如图2所示,在将量子神经网络的输出转换为空间中布洛克球面上的球坐标表示时,已知输入的需要分类量子态图像样本为xn,其标签为1或者-1,经过量子神经网络后输出量子态为yn=a|0>+b|1>,根据量子态的转换公式可以求出θ和/>其中,θ和/>为量子态的空间布洛克球的球坐标。
在一些实施例中,步骤S2,根据所述每一个图像样本的标签以及预设的角度调整大小确定所述每一个图像样本对应的球坐标的旋转方向和旋转角度,进一步包括:
响应于图像样本的标签为第一标签,则对应的球坐标θ的旋转方向和旋转角度Δθ为-α;
响应于图像样本的标签为第二标签,则对应的球坐标θ的旋转方向和旋转角度Δθ为α;
其中,α为预设的角度调整大小。
具体的,选取旋转方向为其标签方向,例如向标签1旋转则为-Δθ方向,向标签-1旋转则为Δθ方向。旋转角度α的大小则根据需要进行设置为一小量,例如1°或0.5°等,与传统神经网络训练时的学习率设置规则相似。
在一些实施例中,步骤S3,基于所述每一个图像样本对应的球坐标的旋转方向和旋转角度计算所述每一个图像样本对应的酉矩阵,进一步包括基于下式计算酉矩阵:
其中,U为酉矩阵,为U的共轭转置矩阵,e为自然常数,I为单位矩阵。
具体的,根据旋转方向和角度,可以得出训练时对图像样本的移动操作U为 单量子比特操作门可写为矩阵形式/>并且矩阵U为酉矩阵,满足/>根据两公式可求出U的数值解,即得到对图像样本的移动操作。
在一些实施例中,步骤S4,根据量子门分解定理和所述每一个图像样本对应的酉矩阵计算所述每一个图像样本对应的参数并求取所述每一个图像样本对应的参数的平均值以利用所述平均值更新所述待训练的量子神经网络的参数,具体的,根据计算得到的矩阵U,对于量子神经网络,其参数的变化可以根据量子计算的量子门分解定理以及矩阵U来得到,从而实现对参数的更新。这样,每一个图像样本具有一组对应的参数,将所有图像样本对应的参数求取平均值后即可得到更新后的所述待训练的量子神经网络的参数。
例如,如图3所示的量子神经网络,由一个Rz门,一个Ry门,再加一个Rz门组成的电路,进行二分类任务。即量子神经网络算法的电路由各种量子门组合而成,其中具有明确几何意义的门为量子旋转门,作用是将量子比特在空间中在特定的方向上旋转特定的角度,所以可以利用这种空间的特性对量子神经网络的参数进行更新。因此,对于量子神经网络有Rz(θ1+Δθ1)Ry(θ2+Δθ2)Rz(θ3+Δθ3)=U,根据量子计算的量子门分解定理,可以求出Δθ1,Δθ2,Δθ3,然后便可对参数θ1,θ2,θ3进行更新。
在一些实施例中,响应于更新后的待训练的量子神经网络收敛,结束训练,进一步包括:
根据公式和loss=∑ndn计算损失函数值,其中,label为标签对应的值,θ′n为将所述每一个图像样本输出到所述更新后的待训练的量子神经网络后得到的球坐标;
响应于所述损失函数值达到预设值,结束训练。
根据量子神经网络可解释性,训练过程为空间上对图像样本点的移动过程。将空间布洛克球面上图像样本和目标标签的距离设为模型的损失函数。根据空间几何的相关内容,单个图像样本距离标签位置的距离为所以整体的损失函数为loss=∑n d。
在一些实施例中,还包括:
响应于所述损失函数值未达到预设值,继续迭代训练并利用训练好的量子神经网络进行图像识别分类。
具体的,当迭代训练使得损失函数值达到预设值后,即可结束训练,并利用训练好的量子神经网络进行图像识别分类。若未达到预设值,则继续迭代训练。
在一些实施例中,还包括:
构建测试集;
利用所述测试集对训练后的量子神经网络进行验证。
本方法提出的方案能够更高效的训练量子神经网络,不仅能够节省资源,还能够更高效的进行图像的分类识别。
基于同一发明构思,根据本发明的另一个方面,本发明的实施例还提供了一种图像识别分类的系统400,如图4所示,包括:
转换模块401,配置为将每一个图像样本输入到待训练的量子神经网络中并将每一个输出转换为布洛克球面上的球坐标;
调整模块402,配置为根据所述每一个图像样本的标签以及预设的角度调整大小确定所述每一个图像样本对应的球坐标的旋转方向和旋转角度;
第一计算模块403,配置为基于所述每一个图像样本对应的球坐标的旋转方向和旋转角度计算所述每一个图像样本对应的酉矩阵;
第二计算模块404,配置为根据量子门分解定理和所述每一个图像样本对应的酉矩阵计算所述每一个图像样本对应的参数并求取所述每一个图像样本对应的参数的平均值以利用所述平均值更新所述待训练的量子神经网络的参数;
识别分类模块405,配置为响应于更新后的待训练的量子神经网络收敛,结束训练并利用训练好的量子神经网络进行图像识别分类。
在一些实施例中,转换模块401还配置为:
利用进行转换;
其中,a|0>+b|1>为待训练的量子神经网络的输出,θ和为球坐标,i为虚数单位。
在一些实施例中,调整模块402还配置为:
响应于图像样本的标签为第一标签,则对应的球坐标θ的旋转方向和旋转角度Δθ为-α;
响应于图像样本的标签为第二标签,则对应的球坐标θ的旋转方向和旋转角度Δθ为α;
其中,α为预设的角度调整大小。
在一些实施例中,第一计算模块403还配置为:
其中,U为酉矩阵,为U的共轭转置矩阵,I为单位矩阵。
在一些实施例中,判断模块405还配置为:
根据公式和loss=∑ndn计算损失函数值,其中,label为标签对应的值,θ′n为将所述每一个图像样本输出到所述更新后的待训练的量子神经网络后得到的球坐标;
响应于所述损失函数值达到预设值,结束训练。
在一些实施例中,识别分类模块405还配置为:
响应于所述损失函数值未达到预设值,继续迭代训练。
在一些实施例中,还包括验证模块,配置为:
构建测试集;
利用所述测试集对训练后的量子神经网络进行验证。
本方法提出的方案能够更高效的训练量子神经网络,更好的进行量子神经网络算法的设计和应用。
基于同一发明构思,根据本发明的另一个方面,如图5所示,本发明的实施例还提供了一种计算机设备501,包括:
至少一个处理器520;以及
存储器510,存储器510存储有可在处理器上运行的计算机程序511,处理器520执行程序时执行如上的任一种图像识别分类的方法的步骤。
基于同一发明构思,根据本发明的另一个方面,如图6所示,本发明的实施例还提供了一种计算机可读存储介质601,计算机可读存储介质601存储有计算机程序指令610,计算机程序指令610被处理器执行时执行如上的任一种图像识别分类的方法的步骤。
最后需要说明的是,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关硬件来完成,程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。
此外,应该明白的是,本文的计算机可读存储介质(例如,存储器)可以是易失性存储器或非易失性存储器,或者可以包括易失性存储器和非易失性存储器两者。
本领域技术人员还将明白的是,结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性,已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能,但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
以上是本发明公开的示例性实施例,但是应当注意,在不背离权利要求限定的本发明实施例公开的范围的前提下,可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外,尽管本发明实施例公开的元素可以以个体形式描述或要求,但除非明确限制为单数,也可以理解为多个。
应当理解的是,在本文中使用的,除非上下文清楚地支持例外情况,单数形式“一个”旨在也包括复数形式。还应当理解的是,在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本发明实施例公开实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子;在本发明实施例的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,并存在如上的本发明实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。因此,凡在本发明实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明实施例的保护范围之内。
Claims (7)
1.一种图像识别分类的方法,其特征在于,包括以下步骤:
将每一个图像样本输入到待训练的量子神经网络中并将每一个输出转换为布洛克球面上的球坐标;
根据所述每一个图像样本的标签以及预设的角度调整大小确定所述每一个图像样本对应的球坐标的旋转方向和旋转角度;
基于所述每一个图像样本对应的球坐标的旋转方向和旋转角度计算所述每一个图像样本对应的酉矩阵;
根据量子门分解定理和所述每一个图像样本对应的酉矩阵计算所述每一个图像样本对应的参数并求取所述每一个图像样本对应的参数的平均值以利用所述平均值更新所述待训练的量子神经网络的参数;
响应于更新后的待训练的量子神经网络收敛,结束训练并利用训练好的量子神经网络进行图像识别分类;
将每一个输出转换为布洛克球面上的球坐标,进一步包括:
利用进行转换;
其中,为待训练的量子神经网络的输出,θ和/>为球坐标,e为自然常数,i为虚数单位;
基于所述每一个图像样本对应的球坐标的旋转方向和旋转角度计算所述每一个图像样本对应的酉矩阵,进一步包括基于下式计算酉矩阵:
其中,Δθ为球坐标θ的旋转方向和旋转角度,U为酉矩阵,为U的共轭转置矩阵,I为单位矩阵;
响应于更新后的待训练的量子神经网络收敛,结束训练,进一步包括:
根据公式和/>计算损失函数值,其中,label为标签对应的值,/>为将所述每一个图像样本输出到所述更新后的待训练的量子神经网络后得到的球坐标;
响应于所述损失函数值达到预设值,结束训练。
2.如权利要求1所述的方法,其特征在于,根据所述每一个图像样本的标签以及预设的角度调整大小确定所述每一个图像样本对应的球坐标的旋转方向和旋转角度,进一步包括:
响应于图像样本的标签为第一标签,则对应的球坐标θ的旋转方向和旋转角度Δθ为-α;
响应于图像样本的标签为第二标签,则对应的球坐标θ的旋转方向和旋转角度Δθ为α;
其中,α为预设的角度调整大小。
3.如权利要求1所述的方法,其特征在于,还包括:
响应于所述损失函数值未达到预设值,继续迭代训练。
4.如权利要求1所述的方法,其特征在于,还包括:
构建测试集;
利用所述测试集对训练后的量子神经网络进行验证。
5.一种图像识别分类的系统,其特征在于,包括:
转换模块,配置为将每一个图像样本输入到待训练的量子神经网络中并将每一个输出转换为布洛克球面上的球坐标;
调整模块,配置为根据所述每一个图像样本的标签以及预设的角度调整大小确定所述每一个图像样本对应的球坐标的旋转方向和旋转角度;
第一计算模块,配置为基于所述每一个图像样本对应的球坐标的旋转方向和旋转角度计算所述每一个图像样本对应的酉矩阵;
第二计算模块,配置为根据量子门分解定理和所述每一个图像样本对应的酉矩阵计算所述每一个图像样本对应的参数并求取所述每一个图像样本对应的参数的平均值以利用所述平均值更新所述待训练的量子神经网络的参数;
识别分类模块,配置为响应于更新后的待训练的量子神经网络收敛,结束训练并利用训练好的量子神经网络进行图像识别分类;
转换模块还配置为:
利用进行转换;
其中,为待训练的量子神经网络的输出,θ和/>为球坐标,e为自然常数,i为虚数单位;
第一计算模块还配置为基于下式计算酉矩阵:
其中,Δθ为球坐标θ的旋转方向和旋转角度,U为酉矩阵,为U的共轭转置矩阵,I为单位矩阵;
识别分类模块还配置为:
根据公式和/>计算损失函数值,其中,label为标签对应的值,/>为将所述每一个图像样本输出到所述更新后的待训练的量子神经网络后得到的球坐标;
响应于所述损失函数值达到预设值,结束训练。
6.一种计算机设备,包括:
至少一个处理器;以及
存储器,所述存储器存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时执行如权利要求1-4任意一项所述的方法的步骤。
7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时执行如权利要求1-4任意一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210425517.XA CN114863167B (zh) | 2022-04-22 | 2022-04-22 | 一种图像识别分类的方法、系统、设备以及介质 |
PCT/CN2022/142093 WO2023202137A1 (zh) | 2022-04-22 | 2022-12-26 | 一种图像识别分类的方法、系统、设备以及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210425517.XA CN114863167B (zh) | 2022-04-22 | 2022-04-22 | 一种图像识别分类的方法、系统、设备以及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114863167A CN114863167A (zh) | 2022-08-05 |
CN114863167B true CN114863167B (zh) | 2024-02-02 |
Family
ID=82633935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210425517.XA Active CN114863167B (zh) | 2022-04-22 | 2022-04-22 | 一种图像识别分类的方法、系统、设备以及介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114863167B (zh) |
WO (1) | WO2023202137A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921049A (zh) * | 2018-06-14 | 2018-11-30 | 华东交通大学 | 基于量子门线路神经网络的肿瘤细胞图像识别装置及设备 |
CN111368920A (zh) * | 2020-03-05 | 2020-07-03 | 中南大学 | 基于量子孪生神经网络的二分类方法及其人脸识别方法 |
CN112464003A (zh) * | 2020-11-06 | 2021-03-09 | 苏州浪潮智能科技有限公司 | 一种图像分类方法及相关装置 |
CN112613571A (zh) * | 2020-12-29 | 2021-04-06 | 华东计算技术研究所(中国电子科技集团公司第三十二研究所) | 一种用于图像识别的量子神经网络方法、系统及介质 |
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 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101699414B1 (ko) * | 2015-10-15 | 2017-01-24 | 서울시립대학교 산학협력단 | 이온트랩 기반의 양자역학적 인공 시각 시스템 및 연산 방법 |
WO2018098230A1 (en) * | 2016-11-22 | 2018-05-31 | Massachusetts Institute Of Technology | Systems and methods for training neural networks |
CN109948742B (zh) * | 2019-03-25 | 2022-12-02 | 西安电子科技大学 | 基于量子神经网络的手写体图片分类方法 |
US20210342730A1 (en) * | 2020-05-01 | 2021-11-04 | equal1.labs Inc. | System and method of quantum enhanced accelerated neural network training |
CN114676837A (zh) * | 2022-04-07 | 2022-06-28 | 西安电子科技大学 | 基于量子模拟器的进化量子神经网络架构搜索方法 |
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 |
-
2022
- 2022-04-22 CN CN202210425517.XA patent/CN114863167B/zh active Active
- 2022-12-26 WO PCT/CN2022/142093 patent/WO2023202137A1/zh unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921049A (zh) * | 2018-06-14 | 2018-11-30 | 华东交通大学 | 基于量子门线路神经网络的肿瘤细胞图像识别装置及设备 |
CN111368920A (zh) * | 2020-03-05 | 2020-07-03 | 中南大学 | 基于量子孪生神经网络的二分类方法及其人脸识别方法 |
CN112464003A (zh) * | 2020-11-06 | 2021-03-09 | 苏州浪潮智能科技有限公司 | 一种图像分类方法及相关装置 |
CN112613571A (zh) * | 2020-12-29 | 2021-04-06 | 华东计算技术研究所(中国电子科技集团公司第三十二研究所) | 一种用于图像识别的量子神经网络方法、系统及介质 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN114863167A (zh) | 2022-08-05 |
WO2023202137A1 (zh) | 2023-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107273936B (zh) | 一种gan图像处理方法及系统 | |
CN110674714B (zh) | 基于迁移学习的人脸和人脸关键点联合检测方法 | |
WO2021077984A1 (zh) | 对象识别方法、装置、电子设备及可读存储介质 | |
CN107529650B (zh) | 闭环检测方法、装置及计算机设备 | |
CN109359608B (zh) | 一种基于深度学习模型的人脸识别方法 | |
CN109033938A (zh) | 一种基于可区分性特征融合的人脸识别方法 | |
CN112605973B (zh) | 一种机器人运动技能学习方法及系统 | |
CN109344713B (zh) | 一种姿态鲁棒的人脸识别方法 | |
CN113496247A (zh) | 估计生成对抗网络的隐含似然 | |
Li et al. | Ss-yolo: An object detection algorithm based on YOLOv3 and shufflenet | |
CN110619059A (zh) | 一种基于迁移学习的建筑物标定方法 | |
CN109544603A (zh) | 基于深度迁移学习的目标跟踪方法 | |
CN114863167B (zh) | 一种图像识别分类的方法、系统、设备以及介质 | |
CN113673510A (zh) | 一种结合特征点和锚框共同预测和回归的目标检测算法 | |
US11893773B2 (en) | Finger vein comparison method, computer equipment, and storage medium | |
CN112232184A (zh) | 一种基于深度学习和空间转换网络的多角度人脸识别方法 | |
Krichen | Generative adversarial networks | |
CN113743474A (zh) | 基于协同半监督卷积神经网络的数字图片分类方法与系统 | |
CN111104831A (zh) | 一种视觉追踪方法、装置、计算机设备以及介质 | |
CN113408505B (zh) | 一种基于深度学习的染色体极性识别方法和系统 | |
Yan et al. | An incremental intelligent object recognition system based on deep learning | |
CN111898465B (zh) | 一种人脸识别模型的获取方法和装置 | |
CN116403019A (zh) | 遥感图像量子识别方法、装置、存储介质及电子装置 | |
CN114037860B (zh) | 基于鲁棒最小二乘回归框架的图像分类和特征选择方法 | |
CN114648560A (zh) | 分布式图像配准方法、系统、介质、计算机设备及终端 |
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 |