CN115908943A - 图像分类方法、装置、电子设备及计算机可读存储介质 - Google Patents
图像分类方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN115908943A CN115908943A CN202211627434.5A CN202211627434A CN115908943A CN 115908943 A CN115908943 A CN 115908943A CN 202211627434 A CN202211627434 A CN 202211627434A CN 115908943 A CN115908943 A CN 115908943A
- Authority
- CN
- China
- Prior art keywords
- quantum
- classification
- feature
- line
- parameter
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000004927 fusion Effects 0.000 claims description 59
- 238000012549 training Methods 0.000 claims description 51
- 239000002096 quantum dot Substances 0.000 claims description 35
- 238000013145 classification model Methods 0.000 claims description 31
- 238000000605 extraction Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 239000013598 vector Substances 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000005259 measurement Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 210000003746 feather Anatomy 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明实施例提出一种图像分类方法、装置、电子设备及计算机可读存储介质,属于量子计算领域,将目标图像的图像数据编码至有多个量子比特的第一量子态,并将所述第一量子态输入预先训练的量子分类模型,从而通过含参量子线,以不同方向在量子比特上进行特征提取,得到多个第一局部特征和第二局部特征,将多个第一局部特征和多个第二局部特征拼接得到融合特征,进而使用全连接网络对融合特征进行分类处理,得到分类结果,实现对目标图像的图像数据在不同方向上进行特征提取以及进行多特征融合,能够加强数据间的联系,进而提升十分类等多分类任务的分类效果。
Description
技术领域
本发明涉及量子计算领域,具体而言,涉及一种图像分类方法、装置、电子设备及计算机可读存储介质。
背景技术
变分影子量子学习(Variational Shadow Quantum Learning,VSQL)是一个在监督学习下的量子经典混合算法。VSQL使用参数化量子线路和影子特征,与通常使用的变分量子算法不同的是,VSQL只从子空间获取局部特征,而不是从整个希尔伯特空间获取特征。
目前的VSQL算法有两种:一种是基于百度飞桨和量桨实现的VSQL算法,另一种是基于量子机器学习框架VQNet实现的VSQL算法。然而,上述第一种VSQL算法必须使用百度飞桨和量桨软件包,第二种VSQL算法在进行十分类时,分类效果较差。
发明内容
有鉴于此,本发明的目的在于提供一种图像分类方法、装置、电子设备及计算机可读存储介质,其能够改善目前的VSQL算法在进行十分类等多分类任务时,分类效果差的问题。
为了实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明实施例提供一种图像分类方法,所述方法包括:
获取目标图像,将所述目标图像的图像数据编码至有多个量子比特的第一量子态上;
将所述第一量子态输入预先训练的量子分类模型;其中,所述量子分类模型包括含参量子线路、特征融合层和全连接网络;
通过所述含参量子线路,以不同方向,在量子比特上对所述第一量子态进行特征提取,得到多个第一局部特征和多个第二局部特征;
通过所述特征融合层对所述多个第一局部特征和所述多个第二局部特征进行拼接得到融合特征,使用所述全连接网络对所述融合特征进行分类,得到分类结果。
进一步地,所述通过所述含参量子线路,以不同方向,在量子比特上对所述第一量子态进行特征提取,得到多个第一局部特征和多个第二局部特征的步骤,包括:
使用所述含参量子线路,对所述第一量子态在量子比特上进行水平滑窗,得到相邻的每两个量子比特间的第一局部特征;
使用所述含参量子线路,对所述第一量子态在量子比特上进行垂直滑窗,得到相邻的每两个量子比特间的第二局部特征。
进一步地,所述方法还包括:
配置目标模型;
将每个训练样本的图像数据编码至有多个量子比特的第二量子态;
使用所有训练样本所对应的所述第二量子态,对所述目标模型进行迭代训练,得到量子分类模型。
进一步地,所述目标模型包括含参量子线路、特征融合层和全连接网络;
所述使用所有训练样本所对应的所述第二量子态,对所述目标模型进行迭代训练,得到量子分类模型的步骤,包括:
获取训练样本,使用所述含参量子线路,对所述第二量子态在量子比特上分别进行水平滑窗和垂直滑窗,得到多个第一局部特征和多个第二局部特征;其中,所述第一局部特征为进行水平滑窗时从相邻的任两个量子比特间提取的特征,所述第二局部特征进行垂直滑窗时从相邻的任两个量子比特间提取的特征;
将所述第一局部特征和所述第二局部特征输入所述特征融合层进行拼接,将拼接得到的融合特征输入至全连接网络进行分类,得到预测标签;
若所述预测标签指示当前的所述目标模型满足预设收敛条件,则将当前的目标模型作为量子分类模型;
若所述预测标签指示当前的所述目标模型不满足预设收敛条件,通过梯度下降法对所述目标模型进行参数调整,并在完成参数调整后,返回执行所述获取训练样本,使用所述含参量子线路,对所述第二量子态在量子比特上分别进行水平滑窗和垂直滑窗的步骤。
进一步地,所述配置目标模型的步骤,包括:
使用量子逻辑门,构建含参量子线路,并在所述含参量子线路后加入泡利算子观测量;
将所述含参量子线路、特征融合层和全连接网络进行组合,得到目标模型。
进一步地,在所述将拼接得到的融合特征输入至全连接网络进行分类,得到预测标签的步骤之后,还包括:
通过交叉熵损失函数,计算出所述预测标签和所述训练样本的实际标签间的损失值,若所述损失值达到预设阈值,则当前的所述目标模型满足预设收敛条件,否则当前的所述目标模型不满足预设收敛条件;
所述交叉熵损失函数包括:其中,表示第i个训练样本属于第j类实际标签,表示第i个训练样本属于第j类期望标签的概率,k表示期望标签的数量,N表示训练样本的数量,θ表示含参量子线路的参数,W表示全连接网络的权重,b表示全连接网络的偏置。
进一步地,所述获取目标图像,将所述目标图像的图像数据编码至有多个量子比特的第一量子态上;的步骤,包括:
将目标图像的各像素点信息进行归一化,使并将归一化后的各像素点信息编码至有多个量子比特的第一量子态。
第二方面,本发明实施例提供一种图像分类装置,包括第一编码模块、特征提取模块、特征融合模块和分类模块;
所述第一编码模块,用于获取目标图像,将所述目标图像的图像数据编码至有多个量子比特的第一量子态上;
所述特征提取模块,用于将所述第一量子态输入预先训练的量子分类模型;其中,所述量子分类模型包括含参量子线路、特征融合层和全连接网络;
所述特征提取模块,还用于通过所述含参量子线路,以不同方向,在量子比特上对所述第一量子态进行特征提取,得到多个第一局部特征和多个第二局部特征;
所述特征融合模块,用于通过所述特征融合层对所述多个第一局部特征和所述多个第二局部特征进行拼接得到融合特征;
所述分类模块,用于使用所述全连接网络对所述融合特征进行分类,得到分类结果。
第三方面,本发明实施例提供一种电子设备,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机程序,所述处理器被设置为运行所述计算机程序以实现如第一方面所述的图像分类方法。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被设置为运行时实现如第一方面所述的图像分类方法。
本发明实施例提供的图像分类方法、装置、电子设备及计算机可读存储介质,将目标图像的图像数据编码至有多个量子比特的第一量子态,并将所述第一量子态输入预先训练的量子分类模型,从而通过含参量子线,以不同方向在量子比特上进行特征提取,得到多个第一局部特征和第二局部特征,将多个第一局部特征和多个第二局部特征拼接得到融合特征,进而使用全连接网络对融合特征进行分类处理,得到分类结果,实现对目标图像的图像数据在不同方向上进行特征提取以及进行多特征融合,能够加强数据间的联系,进而提升十分类等多分类任务的分类效果。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本发明实施例提供的计算机终端的方框示意图。
图2示出了本发明实施例提供的图像分类方法的流程示意图之一。
图3示出了图2中步骤S15的部分子步骤的流程示意图。
图4示出了本发明实施例提供的一种含参量子线路的结构示意图。
图5示出了本发明实施例提供的含参量子线路提取特征的结构示意图。
图6示出了本发明实施例提供的图像分类方法的过程示意图。
图7示出了本发明实施例提供的图像分类方法的流程示意图之二。
图8示出了图7中步骤S23的部分子步骤的流程示意图。
图9示出了本发明实施例提供的图像分类装置的方框示意图。
附图标记:100-计算机终端;102-处理器;104-存储器;106-传输装置;108-输入输出设备;110-图像分类装置;112-第一编码模块;114-特征提取模块;116-特征融合模块;118-分类模块。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在目前的VSQL算法中,对于基于百度飞桨和量桨实现的VSQL算法,要使用该算法必须使用百度飞桨和量桨软件包。对于基于量子机器学习框架VQNet实现的VSQL算法,因为其网络模型的特征提取缺乏训练数据的边缘信息,在进行十分类时,分类效果较差。
基于上述考虑,本发明实施例提供一种图像分类方法,该图像分类方法可以应用于电子设备,如计算机终端,具体如普通电脑、量子计算机等。
下面以运行在计算机终端上为例对其进行详细说明。图1是根据一示例性实施例示出的一种图像分类方法的计算机终端的硬件结构框图。如图1所示,计算机终端100可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储基于量子线路的图像分类方法的存储器104,可选地,上述计算机终端还可以包括用于通信功能的传输装置106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述计算机终端的结构造成限定。例如,计算机终端还可以包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储应用软件的软件程序以及模块,如本发明实施例中的图像分类方法对应的程序指令/模块,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
需要说明的是,真正的量子计算机是混合结构的,它包含两大部分:一部分是经典计算机,负责执行经典计算与控制;另一部分是量子设备,负责运行量子程序进而实现量子计算。而量子程序是由量子语言如QRunes语言编写的一串能够在量子计算机上运行的指令序列,实现了对量子逻辑门操作的支持,并最终实现量子计算。具体的说,量子程序就是一系列按照一定时序操作量子逻辑门的指令序列。
在实际应用中,因受限于量子设备硬件的发展,通常需要进行量子计算模拟以验证量子算法、量子应用等等。量子计算模拟即借助普通计算机的资源搭建的虚拟架构(即量子虚拟机)实现特定问题对应的量子程序的模拟运行的过程。通常,需要构建特定问题对应的量子程序。本发明实施例所指量子程序,即是经典语言编写的表征量子比特及其演化的程序,其中与量子计算相关的量子比特、量子逻辑门等等均有相应的经典代码表示。
量子线路作为量子程序的一种体现方式,也称量子逻辑电路,是最常用的通用量子计算模型,表示在抽象概念下对于量子比特进行操作的线路,其组成包括量子比特、线路(时间线)、以及各种量子逻辑门,最后常需要通过量子测量操作将结果读取出来。
不同于传统电路是用金属线所连接以传递电压信号或电流信号,在量子线路中,线路可看成是由时间所连接,亦即量子比特的状态随着时间自然演化,在这过程中按照哈密顿运算符的指示,一直到遇上逻辑门而被操作。
一个量子程序整体上对应有一条总的量子线路,本发明所述量子程序即指该条总的量子线路,其中,该总的量子线路中的量子比特总数与量子程序的量子比特总数相同。可以理解为:一个量子程序可以由量子线路、针对量子线路中量子比特的测量操作、保存测量结果的寄存器及控制流节点(跳转指令)组成,一条量子线路可以包含几十上百个甚至成千上万个量子逻辑门操作。量子程序的执行过程,就是对所有的量子逻辑门按照一定时序执行的过程。需要说明的是,时序即单个量子逻辑门被执行的时间顺序。
需要说明的是,经典计算中,最基本的单元是比特,而最基本的控制模式是逻辑门,可以通过逻辑门的组合来达到控制电路的目的。类似地,处理量子比特的方式就是量子逻辑门。使用量子逻辑门,能够使量子态发生演化,量子逻辑门是构成量子线路的基础,量子逻辑门包括单比特量子逻辑门,如Hadamard门(H门,阿达马门)、泡利-X门(X门,泡利X门)、泡利-Y门(Y门,泡利Y门)、泡利-Z门(Z门,泡利Z门)、RX门(RX旋转门)、RY门(RY旋转门)、RZ门(RZ旋转门)等等;多比特量子逻辑门,如CNOT门、CR门、iSWAP门、Toffoli门等等。量子逻辑门一般使用酉矩阵表示,而酉矩阵不仅是矩阵形式,也是一种操作和变换。一般量子逻辑门在量子态上的作用是通过酉矩阵左乘以量子态右矢对应的向量进行计算。例如,量子态右矢|0>对应的向量可以为量子态右矢|1>对应的向量可以为
参照图2,图2是根据一示例性实施例示出的一种图像分类方法的流程示意图,该图像分类方法可以包括以下步骤。
S11,获取目标图像,将目标图像的图像数据编码至有多个量子比特的第一量子态上。
S13,将第一量子态输入预先训练的量子分类模型。
在本实施方式中,量子分类模型可以包括含参量子线路、特征融合层和全连接网络。
S15,通过含参量子线路,以不同方向,在量子比特上对第一量子态进行特征提取,得到多个第一局部特征和多个第二局部特征。
S17,通过特征融合层对多个第一局部特征和多个第二局部特征进行拼接得到融合特征,使用全连接网络对融合特征进行分类,得到分类结果。
相较于传统计算机使用0和1作为二进制的基本单元,量子计算可以同时处理0和1,使得系统可以处于0和1的线性叠加态。例如,10个量子比特最多可以用于表示210个维度的信息。而目标图像的数据形式仅能由经典计算机进行处理,因此,在使用量子分类模型的含参量子线路对其进行特征提取之前,需要将目标图像的图像数据编码为量子线路能够处理的量子态。
在一种可能的实施方式中,在获取到目标图像时,先将目标图像的各像素点信息进行归一化,进而将归一化后的各像素点信息编码到量子态,得到多个量子比特。
对目标图像的各像素点信息进行编码的方式可以灵活选择,可以是任一种已知的编码方法,例如,可以是振幅编码,也可以是随机编码,还可以是SWAP测量,在本实施方式中,不作具体限定。
例如,目标图像是28×28的图像,由28×28个取值在[0,255]之间的灰度像素点组成,目标图像的各灰度像素点可以构成一个28×28的二维矩阵。在进行振幅编码时,可以先把这个28×28的二维矩阵转化为一个长度为784的一维向量xi,对一维向量中的每个向量进行归一化再使用振幅编码将每个向量xi编码到有10个量子比特的第一量子态|xi>。应当理解的是,量子比特的数据可以根据实际需求而作适应性调整。
进而,针对目标图像的所有图像数据的第一量子态,使用含参量子线路,以不同方向,在量子比特上对该第一量子态进行特征提取,得到多个第一局部特征和多个第二局部特征。将所有第一局部特征和所有第二局部特征进行拼接,得到融合图像。使用量子分类模型的全连接网络对融合特征进行分类,得到分类结果。
拼接的方式可以灵活选择,例如,可以是相加,也可以是相乘,还可以是分别乘以权重后再相加,在本实施方式中,不作具体限定。
与传统的VSQL算法实现的分类方法相比,本发明实施例提供的图像分类模型,使用含参量子线路以不同方向在量子比特上进行特征提取,即对目标图像的图像数据在不同方向上进行特征提取,并对提取的特征进行多特征融合,能够加强数据间的联系,进而提升十分类等多分类任务的分类效果。
提取特征的方向可以灵活设置,例如,可以是水平滑窗,也可以是垂直滑窗,也可以是预设规则的滑窗,在本实施方式中,不作具体限定。
在一种可能的实施方式中,提取特征的方向可以是水平滑窗加垂直滑窗,具体地,参照图3,上述步骤S15可以进一步实施为以下步骤,步骤S151和步骤S152一般同时执行。
S151,使用含参量子线路,对第一量子态在量子比特上进行水平滑窗,得到相邻的每两个量子比特间的第一局部特征。
S152,使用含参量子线路,对第一量子态在量子比特上进行垂直滑窗,得到相邻的每两个量子比特间的第二局部特征。
应当理解的是,对于目标图像的每个灰度像素点的像素值,均对应一个有多个量子比特的第一量子态。
在一种可能的实施方式中,水平滑窗时,在水平方向,使用含参量子线路,依次获取每个灰度像素点的同个量子比特位上的数据,得到比特位信息集,并基于相邻的每量子比特间的比特位信息集,获取第一局部特征。垂直滑窗时,在垂直方向,依次获取每个灰度像素点的同个量子比特位上的数据,得到比特位信息集,使用含参量子线路基于相邻的每量子比特间的比特位信息集,获取第二局部特征。
针对本发明实施例中的含参量子线路,该含参量子线路可以包括分别作用在第一量子比特和第二量子比特上的量子旋转逻辑门,以及作用在第一量子比特和第二量子比特上的双量子逻辑门,所述第一量子比特和所述第二量子比特为任意相邻的量子比特。
对于所述单量子旋转逻辑门,其用于对所述第一量子比特或所述第二量子比特的量子态进行旋转。对于所述双量子逻辑门,其用于使所述第一量子比特和所述第二量子比特的量子态产生纠缠。
其中,所述单量子旋转逻辑门可以包括以下至少一种:Rx门、Ry门、Rz门,所述双量子逻辑门可以包括以下至少一种:控制z门(Cz门)、CONT门、SWAP门。在实际应用中,可以根据实际需求选择适合的单量子旋转逻辑门和双量子逻辑门,在本实施方式中,不作具体限定。
在一种可能的实施方式中,含参量子线路可以如图4所示,第一Rx门(即Rx1)、第一Ry门(即Ry1)、第三Rx门(即Rx3)依次连接,第二Rx门(即Rx2)、第二Ry门(即Ry2)、第四Rx门(即Rx4)依次连接;第三Rx门与第四Rx门的输出端与第一Cz门(即z1)的两个输入端连接,第一Cz门的两个输出端与第二Cz门(即z2)的两个输入端连接,第二Cz门的两个输出端与第三Ry门(即Ry3)和第四Ry门(即Ry4)的两个输出端连接。
含参量子线路的两个输入端分别与第一Rx门和第二Rx门的输入端连接,含参量子线路的两个输出端分别与第三Ry门和第四Ry门的输出端连接。
含参量子线路的两个输入端和输出端用于输入第一量子比特和第二量子比特,输入和输出的第一量子比特和第二量子比特的量子态不同。
需要说明的是,在本实施方式中,每条含参量子线路的输出之后加入泡利算子观测量作为经典数据的隐含特征,泡利算子观测量对含参量子线路输出的两个值进行观测,来得到第一局部特征或第二局部特征。例如,以图4中的含参量子线路为例,即在泡利算子观测量的输入端分别与与第三Ry门和第四Ry门的输出端连接。
以第一量子态为有十个量子比特(q0,q1,…,q9)的量子态为例,含参量子线路进行特征提取时的结构图可以如图5所示。在水平滑窗或垂直画质时,图中的q0表示输入的是滑窗过程中经过的每个灰度像素点的第一量子态的第一个量子比特位上的数值,其他同理。对于图中的含参量子线路,水平滑窗时,可以得到九个第一局部特征,垂直滑窗时,也可以得到九个第二局部特征。
以图4中的含参量子线路为例,在进行滑窗时,每个含参量子线路,选择各灰度像素点的相邻的两个量子比特进行如下处理:两个量子比特的第一量子态分别经过Rx门进行旋转得到各自第2量子态,第2量子态经过Ry门进行旋转得到第3量子态,第3量子态再经过一次Rx门进行旋转得到第4量子态,两个量子比特的第4量子态经过一个Cz门进行上纠缠得到两个第5量子态,两个第5量子态经过一个Cz门进行下纠缠得到第6量子态,两个第6量子态分别经过Ry门旋转得到输出态,此时,有两个输出态,最后使用泡利算子观测量对两个输出态进行观测得到局部特征。
在上述基础上,此时,本发明实施例提供的图像分类方法的完整处理过程可以如图6所示,图6中U(θ)表示含参量子线路,目标图像的经典数据振幅编码至有十个量子比特的第一量子态,含参量子线路在量子比特上对第一量子态进行水平滑窗,泡利算子观测量对每个含参量子线路的输出进行观测,得到9个第一局部特征(即O10至O18)。含参量子线路在量子比特上对第一量子态进行垂直平滑窗,泡利算子观测量对每个含参量子线路的输出进行观测,得到9个第二局部特征(即O20至O28)。特征融合层将9个第一局部特征和9个第二局部特征进行拼接融合,并将得到的融合特征(O0至O8)输入全连接网络,得到全连接网络输出的预测分类结果。
进一步地,为了实现本发明实施例提供的图像分类方法,引入模型训练的步骤。具体地,参照图7,在一种可能的实施方式中,可以通过以下步骤得到量子分类模型。
S21,配置目标模型。
S22,将每个训练样本的图像数据编码至有多个量子比特的第二量子态。
其中,编码的方式可以参见上文中将目标图像的图像数据编码至第一量子态的内容,本实施方式中,不再赘述。
S23,使用所有训练样本所对应的第二量子态,对目标模型进行迭代训练,得到量子分类模型。
对于步骤S21,作为可选的实施方式,步骤S21可以进一步实施为:使用量子逻辑门,构建含参量子线路,并在含参量子线路后加入泡利算子观测量;将含参量子线路、特征融合层和全连接网络进行组合,得到目标模型。
应当理解的是,含参量子线路的结构不是唯一的,含参量子线路中所使用的量子逻辑门可以根据需求进行任意选择,且量子逻辑门的数量也可以灵活设置,在本实施方式中,不作具体限定。
在一种可能的实施方式中,含参量子线路可以如图4示,以及目标模型包括进行水平滑窗的含参量子线路,进行垂直滑窗的含参量子线路,每个含参量子线路之后的泡利算子观测量,特征融合层和全连接网络。
在其他实施方式中,含参量子线路还可以包括振幅编码层,振幅编码层用于将数据编码到量子态上。当含参量子线路中包括振幅编码层时,则在训练时可以直接将训练样本数据输入含参量子线路,在使用量子分类模型进行分类时,则可以直接将目标图像的图像数据输入量子分类模型,无需先将训练样本数据或图像数据编码至量子态上。
特征融合层可以是实现任一种特征拼接的特征融合层,在本实施方式中,也不作具体限定。
对目标模型进行训练的方式可以多种方式实现,例如,可以采用梯度下降法进行训练,也可以采用交叉验证进行训练,在本实施方式中,不作具体限定。
在一种可能的实施方式中,参照图8,步骤S23可以进一步实施为以下步骤。
S231,获取训练样本,使用含参量子线路,对第二量子态在量子比特上分别进行水平滑窗和垂直滑窗,得到多个第一局部特征和多个第二局部特征。
训练样本集中的每个训练样本都标注标签(实际标签),应当理解的是,要进行几分类,训练样本集的实际标签的种类就有几个,例如,若要进行十分类,则训练样本集中的实际标签的种类就有十个,该十个实际标签可以用0’,‘1’,‘2’,‘3’,‘4’,‘5’,‘6’,‘7’,‘8’,‘9’数字进行表示。
每次迭代时,可随机从训练样本集中抽取一个训练样本,使用含参量子线路对该训练样本的第二量子态在量子比特上进行水平滑窗和垂直滑窗,得到多个第一局部特征和多个第二局部特征。
S233,将第一局部特征和第二局部特征输入特征融合层进行拼接,将拼接得到的融合特征输入至全连接网络进行分类,得到预测标签。
若预测标签指示当前的目标模型满足预设收敛条件,则执行步骤S235,否则,执行步骤S237。
S235,将当前的目标模型作为量子分类模型。
S237,通过梯度下降法对目标模型进行参数调整。并在步骤S235之后,即完成目标模型的参数调整后,返回执行步骤S231。
进一步地,基于预测标签判断是否满足预设收敛条件的方式,可以灵活选择,例如,可以选择任一种损失函数计算损失值,判断损失值是否达到预设收敛条件,在本实施方式中,不作具体限定。
在一种可能的实施方式中,在步骤S233之后,在步骤S235之前,还可以包括判断目标模型是否满足预设收敛条件的步骤。
该步骤可以实施为:通过交叉熵损失函数,计算出预测标签和训练样本的实际标签间的损失值,若损失值达到预设阈值,则当前的目标模型满足预设收敛条件,否则当前的目标模型不满足预设收敛条件。
预设收敛条件可以是一个阈值参数,该阈值参数可以根据大量实验数据和历史数据确定的值。
其中,表示第i个训练样本属于第j类实际标签,表示第i个训练样本属于第j类期望标签的概率,k表示期望标签的数量,N表示训练样本的数量,θ表示含参量子线路的参数,W表示全连接网络的权重,b表示全连接网络的偏置。
通过交叉熵损失函数,在模型训练过程中,能够优化调整目标模型中的含参量子线路U(θ)的参数θ,全连接网络的权重和偏置,使训练出的量子分类模型尽可能达到更优的分类效果。
应当理解的是,在对目标模型的训练过程中,含参量子线路提取特征的方向发生变化,则在实际应用中,量子分类模组提取特征的方向也随之变化,例如,在训练时,设定以第一方向和第二方向,在量子比特上进行滑窗来提取特征,则实际应用时,以第一方向和第二方向,在量子比特上进行滑窗来提取特征。
在传统的机器学习模型中,若要对28*28的图像进行十分类,则需要使用7850个参数的全连接层进行十分类任务。而在本发明实施例提供的量子分类模型中,若要对28*28的图像进行十分类,仅需使用90个参数的全连接网络进行分类,且提取特征的过程中仅需16个参数,参数量极大地减小。
基于以上实施方式所提供的图像分类方法相同的发明构思,本发明实施例还提供一种图像分类装置110,参照图9,该图像分类装置110可以包括第一编码模块112、特征提取模块114、特征融合模块116和分类模块118。
第一编码模块112,用于获取目标图像,将目标图像的图像数据编码至有多个量子比特的第一量子态上。
特征提取模块114,用于将第一量子态输入预先训练的量子分类模型。其中,量子分类模型包括含参量子线路、特征融合层和全连接网络。
特征提取模块114,还用于通过含参量子线路,以不同方向,在量子比特上对第一量子态进行特征提取,得到多个第一局部特征和多个第二局部特征。
特征融合模块116,用于通过特征融合层对多个第一局部特征和多个第二局部特征进行拼接得到融合特征。
分类模块118,用于使用全连接网络对融合特征进行分类,得到分类结果。
进一步地,该图像分类装置110还可以包括模型配置模块、第二编码模块和迭代训练模块。
模型配置模块,用于配置目标模型。
第二编码模块,用于将每个训练样本的图像数据编码至有多个量子比特的第二量子态。
迭代训练模块,用于使用所有训练样本所对应的所述第二量子态,对目标模型进行迭代训练,得到量子分类模型。
上述图像分类装置110中,通过第一编码模块112、特征提取模块114、特征融合模块116和分类模块118的协同作用,使用含参量子线路以不同方向在量子比特上进行特征提取,即对目标图像的图像数据在不同方向上进行特征提取,并对提取的特征进行多特征融合,能够加强数据间的联系,进而提升十分类等多分类任务的分类效果。
关于上述实施方式中的图像分类装置110,其中各个模块执行操作的具体方式已经在有关该方法的实施方式中进行了详细描述,此处将不做详细阐述说明。
本发明的再一实施方式还提供了一种计算机可读存储介质,存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述图像分类方法实施方式中的步骤。
具体的,在本实施例中,上述计算机可读存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的再一实施方式还提供了一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述图像分类方法实施方式中的步骤。
具体的,上述电子设备还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
具体的,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:获取目标图像,将目标图像的图像数据编码至有多个量子比特的第一量子态上;将第一量子态输入预先训练的量子分类模型;通过含参量子线路,以不同方向,在量子比特上对所述第一量子态进行特征提取,得到多个第一局部特征和多个第二局部特征;通过特征融合层对多个第一局部特征和多个第二局部特征进行拼接得到融合特征,使用全连接网络对所述融合特征进行分类,得到分类结果。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像分类方法,其特征在于,所述方法包括:
获取目标图像,将所述目标图像的图像数据编码至有多个量子比特的第一量子态上;
将所述第一量子态输入预先训练的量子分类模型;其中,所述量子分类模型包括含参量子线路、特征融合层和全连接网络;
通过所述含参量子线路,以不同方向,在量子比特上对所述第一量子态进行特征提取,得到多个第一局部特征和多个第二局部特征;
通过所述特征融合层对所述多个第一局部特征和所述多个第二局部特征进行拼接得到融合特征,使用所述全连接网络对所述融合特征进行分类,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,所述通过所述含参量子线路,以不同方向,在量子比特上对所述第一量子态进行特征提取,得到多个第一局部特征和多个第二局部特征的步骤,包括:
使用所述含参量子线路,对所述第一量子态在量子比特上进行水平滑窗,得到相邻的每两个量子比特间的第一局部特征;
使用所述含参量子线路,对所述第一量子态在量子比特上进行垂直滑窗,得到相邻的每两个量子比特间的第二局部特征。
3.根据权利要求1或2所述的图像分类方法,其特征在于,所述方法还包括:
配置目标模型;
将每个训练样本的图像数据编码至有多个量子比特的第二量子态;
使用所有训练样本所对应的所述第二量子态,对所述目标模型进行迭代训练,得到量子分类模型。
4.根据权利要求3所述的图像分类方法,其特征在于,所述目标模型包括含参量子线路、特征融合层和全连接网络;
所述使用所有训练样本所对应的所述第二量子态,对所述目标模型进行迭代训练,得到量子分类模型的步骤,包括:
获取训练样本,使用所述含参量子线路,对所述第二量子态在量子比特上分别进行水平滑窗和垂直滑窗,得到多个第一局部特征和多个第二局部特征;其中,所述第一局部特征为进行水平滑窗时从相邻的任两个量子比特间提取的特征,所述第二局部特征进行垂直滑窗时从相邻的任两个量子比特间提取的特征;
将所述第一局部特征和所述第二局部特征输入所述特征融合层进行拼接,将拼接得到的融合特征输入至全连接网络进行分类,得到预测标签;
若所述预测标签指示当前的所述目标模型满足预设收敛条件,则将当前的目标模型作为量子分类模型;
若所述预测标签指示当前的所述目标模型不满足预设收敛条件,通过梯度下降法对所述目标模型进行参数调整,并在完成参数调整后,返回执行所述获取训练样本,使用所述含参量子线路,对所述第二量子态在量子比特上分别进行水平滑窗和垂直滑窗的步骤。
5.根据权利要求3所述的图像分类方法,其特征在于,所述配置目标模型的步骤,包括:
使用量子逻辑门,构建含参量子线路,并在所述含参量子线路后加入泡利算子观测量;
将所述含参量子线路、特征融合层和全连接网络进行组合,得到目标模型。
7.根据权利要求1或2所述的图像分类方法,其特征在于,所述获取目标图像,将所述目标图像的图像数据编码至有多个量子比特的第一量子态上;的步骤,包括:
将目标图像的各像素点信息进行归一化,使并将归一化后的各像素点信息编码至有多个量子比特的第一量子态。
8.一种图像分类装置,其特征在于,包括第一编码模块、特征提取模块、特征融合模块和分类模块;
所述第一编码模块,用于获取目标图像,将所述目标图像的图像数据编码至有多个量子比特的第一量子态上;
所述特征提取模块,用于将所述第一量子态输入预先训练的量子分类模型;其中,所述量子分类模型包括含参量子线路、特征融合层和全连接网络;
所述特征提取模块,还用于通过所述含参量子线路,以不同方向,在量子比特上对所述第一量子态进行特征提取,得到多个第一局部特征和多个第二局部特征;
所述特征融合模块,用于通过所述特征融合层对所述多个第一局部特征和所述多个第二局部特征进行拼接得到融合特征;
所述分类模块,用于使用所述全连接网络对所述融合特征进行分类,得到分类结果。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以实现如权利要求1至7中任一项所述的图像分类方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被设置为运行时实现如权利要求1至7中任一项所述的图像分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211627434.5A CN115908943B (zh) | 2022-12-16 | 图像分类方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211627434.5A CN115908943B (zh) | 2022-12-16 | 图像分类方法、装置、电子设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115908943A true CN115908943A (zh) | 2023-04-04 |
CN115908943B CN115908943B (zh) | 2024-06-25 |
Family
ID=
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9268938B1 (en) * | 2015-05-22 | 2016-02-23 | Power Fingerprinting Inc. | Systems, methods, and apparatuses for intrusion detection and analytics using power characteristics such as side-channel information collection |
CN112349410A (zh) * | 2020-11-13 | 2021-02-09 | 北京京东尚科信息技术有限公司 | 用于科室分诊的分诊模型的训练方法、分诊方法和系统 |
US20210216746A1 (en) * | 2018-10-15 | 2021-07-15 | Ventana Medical Systems, Inc. | Systems and methods for cell classification |
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 |
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 |
CN115099412A (zh) * | 2022-06-16 | 2022-09-23 | 合肥本源量子计算科技有限责任公司 | 特征提取方法及相关设备 |
CN115170906A (zh) * | 2022-06-30 | 2022-10-11 | 合肥本源量子计算科技有限责任公司 | 量子图像生成模型训练方法、图像生成方法及相关装置 |
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9268938B1 (en) * | 2015-05-22 | 2016-02-23 | Power Fingerprinting Inc. | Systems, methods, and apparatuses for intrusion detection and analytics using power characteristics such as side-channel information collection |
US20210216746A1 (en) * | 2018-10-15 | 2021-07-15 | Ventana Medical Systems, Inc. | Systems and methods for cell classification |
CN112349410A (zh) * | 2020-11-13 | 2021-02-09 | 北京京东尚科信息技术有限公司 | 用于科室分诊的分诊模型的训练方法、分诊方法和系统 |
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 |
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 |
CN115099412A (zh) * | 2022-06-16 | 2022-09-23 | 合肥本源量子计算科技有限责任公司 | 特征提取方法及相关设备 |
CN115170906A (zh) * | 2022-06-30 | 2022-10-11 | 合肥本源量子计算科技有限责任公司 | 量子图像生成模型训练方法、图像生成方法及相关装置 |
Non-Patent Citations (2)
Title |
---|
AVINASH CHALUMURI 等: "Quantum-Classical Image Processing for Scene Classification", 《IEEE SENSORS LETTERS》, vol. 6, no. 6, 10 May 2022 (2022-05-10), pages 1 - 4 * |
刘秀勋: "基于深度卷积生成对抗网络和量子K近邻的图像处理算法", 《CNKI学位》, vol. 2022, no. 03, 15 March 2022 (2022-03-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240095563A1 (en) | Quantum convolution operator | |
CN111630531A (zh) | 使用量子神经网络的分类 | |
CN112001498A (zh) | 基于量子计算机的数据识别方法、装置及可读存储介质 | |
CN114358319B (zh) | 基于机器学习框架的分类方法及相关装置 | |
CN114792378B (zh) | 一种量子图像识别方法及装置 | |
CN114821217B (zh) | 一种基于量子经典混合神经网络的图像识别方法及装置 | |
CN113901823A (zh) | 命名实体识别方法、装置、存储介质及终端设备 | |
CN114358318B (zh) | 基于机器学习框架的分类方法及相关装置 | |
CN115374948A (zh) | 量子神经网络的训练方法、数据处理方法、设备及介质 | |
KR20200063041A (ko) | 아키텍처 변이 기반 비지도 학습 및 선택적 오류 전파 기반 지도 학습을 이용한 신경망 학습 방법 및 장치 | |
CN114358216B (zh) | 基于机器学习框架的量子聚类方法及相关装置 | |
CN114358317B (zh) | 基于机器学习框架的数据分类方法及相关设备 | |
CN114463158A (zh) | 模型训练方法及系统、非易失性存储介质和计算机终端 | |
Long et al. | Beginning deep learning with tensorflow | |
CN114358295B (zh) | 基于机器学习框架的二分类方法及相关装置 | |
CN111950712A (zh) | 模型网络参数处理方法、设备及可读存储介质 | |
CN115908943B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN115908943A (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN116403657A (zh) | 一种药物反应预测方法、装置、存储介质及电子装置 | |
CN114764619B (zh) | 一种基于量子线路的卷积操作方法及装置 | |
CN114974405A (zh) | 基于量子gnn的结合能预测方法 | |
CN114550849A (zh) | 基于量子图神经网络解决化学分子性质预测的方法 | |
CN115063374A (zh) | 模型训练、人脸图像质量评分方法、电子设备及存储介质 | |
CN114372584B (zh) | 基于机器学习框架的迁移学习方法及相关装置 | |
CN116109854B (zh) | 军事武器装备类别确定方法、装置、介质及电子装置 |
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 | ||
CB02 | Change of applicant information |
Country or region after: China Address after: 230000, floor 6, E2 building, phase II, innovation industrial park, No. 2800, innovation Avenue, high tech Zone, Hefei, Anhui Province Applicant after: Benyuan Quantum Computing Technology (Hefei) Co.,Ltd. Address before: 230000, floor 6, E2 building, phase II, innovation industrial park, No. 2800, innovation Avenue, high tech Zone, Hefei, Anhui Province Applicant before: ORIGIN QUANTUM COMPUTING COMPANY, LIMITED, HEFEI Country or region before: China |
|
GR01 | Patent grant |