CN116403019A - 遥感图像量子识别方法、装置、存储介质及电子装置 - Google Patents
遥感图像量子识别方法、装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN116403019A CN116403019A CN202310010117.7A CN202310010117A CN116403019A CN 116403019 A CN116403019 A CN 116403019A CN 202310010117 A CN202310010117 A CN 202310010117A CN 116403019 A CN116403019 A CN 116403019A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- quantum
- identified
- target object
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 53
- 238000013145 classification model Methods 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 32
- 239000002096 quantum dot Substances 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008571 general function Effects 0.000 description 1
- 230000005283 ground state Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种遥感图像量子识别方法、装置、存储介质及电子装置,通过接收遥感设备拍摄的待识别遥感图像;将所述待识别遥感图像输入至包括量子空洞卷积神经网络和分类器的图像分类模型,所述量子空洞卷积神经网络被训练基于遥感图像的像素来提取目标物体特征,所述分类器被训练基于目标物体特征预测遥感图像中目标物体的种类;接收所述图像分类模型输出的预测数据,并提供所述预测数据作为输出,所述预测数据用于表征所述待识别遥感图像中目标物体的种类,利用量子计算的高速计算能力,实现了遥感图像的识别速度的提高。
Description
技术领域
本发明属于量子计算技术领域,特别是一种遥感图像量子识别方法、装置、存储介质及电子装置。
背景技术
从遥感图像中提取有价值的知识信息成为当前备受关注的研究课题,而对其中目标物体的识别正是一项重要的手段。
面对海量的遥感图像数据,目前依靠人工判读或经典计算机处理的时效性还是不高,难以快速挖掘到有价值的数据,无法满足现代生活中环境监测、灾害处理、城市管理等方面所要求的及时分析处理的客观需求。因此如何提高遥感图像的识别速度是亟需解决的问题。
发明内容
本发明的目的是提供一种遥感图像量子识别方法、装置、存储介质及电子装置,旨在提高遥感图像的识别速度。
本发明的一个实施例提供了一种遥感图像量子识别方法,所述方法包括:
接收遥感设备拍摄的待识别遥感图像;
将所述待识别遥感图像输入至包括量子空洞卷积神经网络和分类器的图像分类模型,所述量子空洞卷积神经网络被训练基于遥感图像的像素来提取目标物体特征,所述分类器被训练基于目标物体特征预测遥感图像中目标物体的种类;
接收所述图像分类模型输出的预测数据,并提供所述预测数据作为输出,所述预测数据用于表征所述待识别遥感图像中目标物体的种类。
可选的,所述量子空洞卷积神经网络包括编码层,所述编码层用于将目标像素编码至量子比特的初始态,所述目标像素是基于预设的扩张率和卷积核从所述待识别遥感图像中确定的,所述初始态用于提取所述待识别遥感图像的目标物体特征。
可选的,所述编码层包括依次作用于所述量子比特的H门、RY门和RZ门,所述RY门的旋转参数基于所述目标像素的反三角函数值确定,所述RZ门的旋转参数基于所述目标像素平方的反三角函数值确定。
可选的,所述量子空洞卷积神经网络还包括纠缠层和测量层,所述纠缠层用于将所述初始态演化至包括目标物体特征信息的纠缠态,所述测量层用于对所述量子比特进行测量,从所述纠缠态中提取所述待识别遥感图像的目标物体特征。
可选的,所述纠缠层包括依次作用于相邻所述量子比特的CNOT门、作用于相间隔所述量子比特的CNOT门和作用于所述量子比特的含参量子逻辑门,所述含参量子逻辑门基于训练所述量子空洞卷积神经网络模型的损失函数确定。
可选的,所述损失函数为:
其中,Loss为损失函数,n为用于训练的遥感图像的数量,yi为目标物体在第i个用于训练的遥感图像中的真实位置,fi为目标物体在第i个用于训练的遥感图像中的预测位置,pi为第i个用于训练的遥感图像中的目标物体的真实标签概率分布,ci为第i个用于训练的遥感图像中的目标物体的预测标签概率分布。
可选的,所述将所述待识别遥感图像输入至包括量子空洞卷积神经网络和分类器的图像分类模型之前,包括:
对所述待识别遥感图像进行尺寸变换和归一化处理,得到所述量子空洞卷积神经网络允许输入的待识别遥感图像。
本发明的又一实施例提供了一种遥感图像量子识别装置,所述装置包括:
通信单元,用于接收遥感设备拍摄的待识别遥感图像;
处理单元,用于将所述待识别遥感图像输入至包括量子空洞卷积神经网络和分类器的图像分类模型,所述量子空洞卷积神经网络被训练基于遥感图像的像素来提取目标物体特征,所述分类器被训练基于目标物体特征预测遥感图像中目标物体的种类;
所述通信单元,还用于接收所述图像分类模型输出的预测数据,并提供所述预测数据作为输出,所述预测数据用于表征所述待识别遥感图像中目标物体的种类。
可选的,所述量子空洞卷积神经网络包括编码层,所述编码层用于将目标像素编码至量子比特的初始态,所述目标像素是基于预设的扩张率和卷积核从所述待识别遥感图像中确定的,所述初始态用于提取所述待识别遥感图像的目标物体特征。
可选的所述编码层包括依次作用于所述量子比特的H门、RY门和RZ门,所述RY门的旋转参数基于所述目标像素的反三角函数值确定,所述RZ门的旋转参数基于所述目标像素平方的反三角函数值确定。
可选的,所述量子空洞卷积神经网络还包括纠缠层和测量层,所述纠缠层用于将所述初始态演化至包括目标物体特征信息的纠缠态,所述测量层用于对所述量子比特进行测量,从所述纠缠态中提取所述待识别遥感图像的目标物体特征。
可选的,所述纠缠层包括依次作用于相邻所述量子比特的CNOT门、作用于相间隔所述量子比特的CNOT门和作用于所述量子比特的含参量子逻辑门,所述含参量子逻辑门基于训练所述量子空洞卷积神经网络模型的损失函数确定。
可选的,所述损失函数为:
其中,Loss为损失函数,n为用于训练的遥感图像的数量,yi为目标物体在第i个用于训练的遥感图像中的真实位置,fi为目标物体在第i个用于训练的遥感图像中的预测位置,pi为第i个用于训练的遥感图像中的目标物体的真实标签概率分布,ci为第i个用于训练的遥感图像中的目标物体的预测标签概率分布。
可选的,所述将所述待识别遥感图像输入至包括量子空洞卷积神经网络和分类器的图像分类模型之前,包括:
对所述待识别遥感图像进行尺寸变换和归一化处理,得到所述量子空洞卷积神经网络允许输入的待识别遥感图像。
本发明的又一实施例提供了一种存储介质,所述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任一实施例中所述的方法。
本发明的又一实施例提供了一种电子装置,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任一实施例中所述的方法。
与现有技术相比,本发明提供的一种遥感图像识别方法、装置、存储介质及电子装置,通过接收遥感设备拍摄的待识别遥感图像;将所述待识别遥感图像输入至包括量子空洞卷积神经网络和分类器的图像分类模型,所述量子空洞卷积神经网络被训练基于遥感图像的像素来提取目标物体特征,所述分类器被训练基于目标物体特征预测遥感图像中目标物体的种类;接收所述图像分类模型输出的预测数据,并提供所述预测数据作为输出,所述预测数据用于表征所述待识别遥感图像中目标物体的种类,利用量子计算的高速计算能力,实现了遥感图像的识别速度和准确度的提高。
附图说明
图1为本发明实施例提供的一种遥感图像量子识别方法的计算机终端的硬件结构框图;
图2为本发明实施例提供的一种遥感图像量子识别方法的流程示意图;
图3为本发明实施例提供的一种编码层对应的量子线路的结构示意图;
图4为本发明实施例提供的一种量子空洞卷积神经网络对应的量子线路的结构示意图;
图5为本发明实施例提供的一种遥感图像量子识别装置的结构示意图。
具体实施方式
下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本发明实施例首先提供了一种遥感图像量子识别方法,该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为本发明实施例提供的一种遥感图像量子识别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)和用于存储遥感图像量子识别方法的存储器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,如本申请实施例中的遥感图像量子识别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-Y门(Y门)、泡利-Z门(Z门)、RX门、RY门、RZ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矩阵进行计算。
参见图2,图2为本发明实施例提供的一种遥感图像量子识别方法的流程示意图。该方法包括以下步骤:
步骤201:接收遥感设备拍摄的待识别遥感图像;
其中,遥感设备例如可以为监测卫星、多角度成像微博辐射计、长波热像仪、热红外成像仪等。
步骤202:将所述待识别遥感图像输入至包括量子空洞卷积神经网络和分类器的图像分类模型,所述量子空洞卷积神经网络被训练基于遥感图像的像素来提取目标物体特征,所述分类器被训练基于目标物体特征预测遥感图像中目标物体的种类;
在经典的卷积神经网络中,卷积核就是图像处理时,给定输入图像,输入图像中一个小区域中像素加权平均后成为输出图像中每个对应像素,其中权值由一个函数定义,这个函数称为卷积核,也称滤波器。
空洞卷积(Dilated Convolution),也称为扩张卷积(Atrous Deconvolution),是针对图像语义分割问题中下采样带来的图像分辨率降低、信息丢失问题而提出的一种新的卷积思路。空洞卷积通过引入扩张率(Dilation Rate)这一参数使得同样尺寸的卷积核获得更大的感受野,相应地,也可以使得在相同感受野大小的前提下,空洞卷积比普通卷积的参数量更小。因此,其在语义分割、目标检测、语音合成等领域具有广泛的应用。
量子空洞卷积神经网络由量子线路构成,卷积计算由量子线路完成,不同于经典的卷积神经网络中,由输入图像中的像素与卷积核中的权值进行加权平均计算。
其中,分类器可以是经典的也可以是量子的,经典的分类器如经典神经网络中的全连接层,量子的分类器如由量子线路构成的分类器等,在此,不做限定。
步骤203:接收所述图像分类模型输出的预测数据,并提供所述预测数据作为输出,所述预测数据用于表征所述待识别遥感图像中目标物体的种类。
其中,提供所述预测数据作为输出,可以是直接发送至关联的监测人员的电子设备或展示在监测系统的显示屏上,也可以对该预测数据进一步处理,根据该目标物体的种类和型号判断是否需要进一步预警和展示。
与现有技术相比,本发明提供的一种遥感图像识别方法、装置、存储介质及电子装置,通过接收遥感设备拍摄的待识别遥感图像;将所述待识别遥感图像输入至包括量子空洞卷积神经网络和分类器的图像分类模型,所述量子空洞卷积神经网络被训练基于遥感图像的像素来提取目标物体特征,所述分类器被训练基于目标物体特征预测遥感图像中目标物体的种类;接收所述图像分类模型输出的预测数据,并提供所述预测数据作为输出,所述预测数据用于表征所述待识别遥感图像中目标物体的种类,利用量子计算的高速计算能力,实现了遥感图像的识别速度的提高。
可选的,所述量子空洞卷积神经网络包括编码层,所述编码层用于将目标像素编码至量子比特的初始态,所述目标像素是基于预设的扩张率和卷积核从所述待识别遥感图像中确定的,所述初始态用于提取所述待识别遥感图像的目标物体特征。
假定卷积核的大小为k,扩张率为d,则空洞卷积的卷积核的感受野为:n=k+(k-1)·(d-1)。例如,若d=2,k=2,则n=3。对于4×4的待识别遥感图像,若原来的目标像素为第1、2、5、6个像素,则空洞卷积中的目标像素为第1、3、9、11个像素。具体的目标像素虽然不同,但是其数量仍然相同。
可以看出,与经典的空洞卷积的区别在于,量子空洞卷积神经网络中,扩张率和卷积核用于从待识别遥感图像中确定目标像素,目标像素并不与卷积核中的权值进行加权平均计算,目标像素是待编码成量子态的经典数据,是量子线路的输入,具体的计算体现在量子线路中,因此只需用到该卷积核的尺寸即可,该卷积核中的权值可以不需要。
进一步地,所述编码层所采用的编码方式例如可以是角度编码、振幅编码、基态编码等。
在本发明提供的一种角度编码方式中,所述编码层包括依次作用于所述量子比特的H门、RY门和RZ门,所述RY门的旋转参数基于所述目标像素的反三角函数值确定,所述RZ门的旋转参数基于所述目标像素平方的反三角函数值确定。
如图3所示,图3为本发明实施例提供的一种编码层对应的量子线路的结构示意图。该编码层对应的量子线路包括4个量子比特,每个量子比特都依次被H门、RY门和RZ作用,量子比特最初都处于0态。
对于4×4的待识别遥感图像,从中确定4个目标像素x1、x2、x3、x4。作用于第一个量子比特的RY门和RZ门的旋转角度分别为arctan(x1)和arctan(x1 2),作用于第二个量子比特的RY门和RZ门的旋转角度分别为arctan(x2)和arctan(x2 2),作用于第三个量子比特的RY门和RZ门的旋转角度分别为arctan(x3)和arctan(x3 2),作用于第四个量子比特的RY门和RZ门的旋转角度分别为arctan(x4)和arctan(x4 2)。
可选的,所述量子空洞卷积神经网络还包括纠缠层和测量层,所述纠缠层用于将所述初始态演化至包括目标物体特征信息的纠缠态,所述测量层用于对所述量子比特进行测量,从所述纠缠态中提取所述待识别遥感图像的目标物体特征。
其中,这里的纠缠层的作用类似于经典的卷积神经网络中,将目标像素与卷积核中的权值进行加权平均计算,得到待识别图像特征。不同于经典的空洞卷积操作,首先本发明实施例中的量子空洞卷积操作是通过量子线路中量子态的演化实现。
其次,经典的2×2的卷积核中包括4个权值,4个权值至少需要4个经典比特来存储,同时4个目标像素也至少需要4个经典比特来存储,若权值为小数或分数,或者目标像素不仅仅只有1或0的二元值,则需要的经典比特只会更多,而量子线路中一共只需要4个量子比特来存储和计算,所需的比特资源远远少于经典的卷积操作,可以节省计算机的内部资源,提升计算机内部资源的利用率。
最后,基于量子计算叠加和纠缠的特性,可以实现并行计算,因此可以提高遥感图像的识别速度。
在本发明提供的一具体实施例中,所述纠缠层包括依次作用于相邻所述量子比特的CNOT门、作用于相间隔所述量子比特的CNOT门和作用于所述量子比特的含参量子逻辑门,所述含参量子逻辑门基于训练所述量子空洞卷积神经网络模型的损失函数确定。
如图4所示,图4为本发明实施例提供的一种量子空洞卷积神经网络对应的量子线路的结构示意图。所述纠缠层包括依次作用于相邻所述量子比特的CNOT门、作用于相间隔所述量子比特的CNOT门和作用于所述量子比特的含参量子逻辑门。
作用于相邻所述量子比特的CNOT门包括:作用于第一个和第二个量子比特的CNOT门,作用于第二个和第三个量子比特的CNOT门,作用于第三个和第四个量子比特的CNOT门,作用于第四个和第一个量子比特的CNOT门。
作用于相间隔所述量子比特的CNOT门包括:作用于第一个和第三个量子比特的CNOT门,作用于第二个和第四个量子比特的CNOT门,作用于第三个和第一个量子比特的CNOT门,作用于第四个和第二个量子比特的CNOT门。
含参量子逻辑门包括:作用于第一量子比特的R(α1,β1,γ1),作用于第二量子比特的R(α2,β2,γ2),作用于第三量子比特的R(α3,β3,γ3),作用于第四量子比特的R(α4,β4,γ4)。αi,βi,γi分别为绕x轴、y轴、z轴旋转的角度,基于训练所述量子空洞卷积神经网络模型的损失函数确定,其中,i=1,2,3,4。
可以将图4中作用于相邻所述量子比特的4个CNOT门作为第一模块,将作用于相间隔所述量子比特的4个人CNOT门作为第二模块,将4个含参量子逻辑门作为第三模块,图4只是本发明提供的一个具体实施例,每个模块的数量只有一个,在其他实施例中,每个模块可以根据需求设置个数,可以为一个,也可以为多个。
其中,可以选取不同的损失函数对量子空洞卷积神经网络和分类器分别进行训练,也可以选取相同的损失函数对量子空洞卷积神经网络和分类器一起进行训练,在此不做限定。
在本发明提供的一具体实施例中,所述损失函数为:
其中,Loss为损失函数,n为用于训练的遥感图像的数量,yi为目标物体在第i个用于训练的遥感图像中的真实位置,fi为目标物体在第i个用于训练的遥感图像中的预测位置,pi为第i个用于训练的遥感图像中的目标物体的真实标签概率分布,ci为第i个用于训练的遥感图像中的目标物体的预测标签概率分布。
其中,真实位置和预测位置可以是坐标表示,例如将遥感图像放置于同一坐标系中,遥感图像中的目标物体则可以用坐标集合表示,也可以用该坐标集合得到的重心坐标进行表示。
进一步地,在确定遥感图像中目标物体或者将所述待识别遥感图像输入至包括量子空洞卷积神经网络和分类器的图像分类模型之前,所述方法还包括:对待识别遥感图像或者用于训练的遥感图像进行尺寸变换和归一化处理,得到所述量子空洞卷积神经网络允许输入的遥感图像。这样可以保持遥感图像的统一性,便于后续的识别和训练。
需要说明的是,预测数据可以是大类的预测,也可以是小类的预测,如每个大类下的每一子类,还可以是每个子类中具体型号的预测,在此,不做限定。
参见图5,图5为本发明实施例提供的一种遥感图像量子识别装置的结构示意图。所述装置包括:
通信单元501,用于接收遥感设备拍摄的待识别遥感图像;
处理单元502,用于将所述待识别遥感图像输入至包括量子空洞卷积神经网络和分类器的图像分类模型,所述量子空洞卷积神经网络被训练基于遥感图像的像素来提取目标物体特征,所述分类器被训练基于目标物体特征预测遥感图像中目标物体的种类;
所述通信单元503,还用于接收所述图像分类模型输出的预测数据,并提供所述预测数据作为输出,所述预测数据用于表征所述待识别遥感图像中目标物体的种类。
可选的,所述量子空洞卷积神经网络包括编码层,所述编码层用于将目标像素编码至量子比特的初始态,所述目标像素是基于预设的扩张率和卷积核从所述待识别遥感图像中确定的,所述初始态用于提取所述待识别遥感图像的目标物体特征。
可选的,所述编码层包括依次作用于所述量子比特的H门、RY门和RZ门,所述RY门的旋转参数基于所述目标像素的反三角函数值确定,所述RZ门的旋转参数基于所述目标像素平方的反三角函数值确定。
可选的,所述量子空洞卷积神经网络还包括纠缠层和测量层,所述纠缠层用于将所述初始态演化至包括目标物体特征信息的纠缠态,所述测量层用于对所述量子比特进行测量,从所述纠缠态中提取所述待识别遥感图像的目标物体特征。
可选的,所述纠缠层包括依次作用于相邻所述量子比特的CNOT门、作用于相间隔所述量子比特的CNOT门和作用于所述量子比特的含参量子逻辑门,所述含参量子逻辑门基于训练所述量子空洞卷积神经网络模型的损失函数确定。
可选的,所述损失函数为:
其中,Loss为损失函数,n为用于训练的遥感图像的数量,yi为目标物体在第i个用于训练的遥感图像中的真实位置,fi为目标物体在第i个用于训练的遥感图像中的预测位置,pi为第i个用于训练的遥感图像中的目标物体的真实标签概率分布,ci为第i个用于训练的遥感图像中的目标物体的预测标签概率分布。
可选的,所述将所述待识别遥感图像输入至包括量子空洞卷积神经网络和分类器的图像分类模型之前,包括:
对所述待识别遥感图像进行尺寸变换和归一化处理,得到所述量子空洞卷积神经网络允许输入的待识别遥感图像。
本发明的再一实施例提供了一种存储介质,所述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任一项中方法实施例中的步骤。
具体的,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
接收遥感设备拍摄的待识别遥感图像;
将所述待识别遥感图像输入至包括量子空洞卷积神经网络和分类器的图像分类模型,所述量子空洞卷积神经网络被训练基于遥感图像的像素来提取目标物体特征,所述分类器被训练基于目标物体特征预测遥感图像中目标物体的种类;
接收所述图像分类模型输出的预测数据,并提供所述预测数据作为输出,所述预测数据用于表征所述待识别遥感图像中目标物体的种类。
具体的,在本实施例中,上述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。
本发明的再一实施例还提供了一种电子装置,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任一项中方法实施例中的步骤。
具体的,上述电子装置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:
接收遥感设备拍摄的待识别遥感图像;
将所述待识别遥感图像输入至包括量子空洞卷积神经网络和分类器的图像分类模型,所述量子空洞卷积神经网络被训练基于遥感图像的像素来提取目标物体特征,所述分类器被训练基于目标物体特征预测遥感图像中目标物体的种类;
接收所述图像分类模型输出的预测数据,并提供所述预测数据作为输出,所述预测数据用于表征所述待识别遥感图像中目标物体的种类。
以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果,以上所述仅为本发明的较佳实施例,但本发明不以图面所示限定实施范围,凡是依照本发明的构想所作的改变,或修改为等同变化的等效实施例,仍未超出说明书与图示所涵盖的精神时,均应在本发明的保护范围内。
Claims (10)
1.一种遥感图像量子识别方法,其特征在于,所述方法包括:
接收遥感设备拍摄的待识别遥感图像;
将所述待识别遥感图像输入至包括量子空洞卷积神经网络和分类器的图像分类模型,所述量子空洞卷积神经网络被训练基于遥感图像的像素来提取目标物体特征,所述分类器被训练基于目标物体特征预测遥感图像中目标物体的种类;
接收所述图像分类模型输出的预测数据,并提供所述预测数据作为输出,所述预测数据用于表征所述待识别遥感图像中目标物体的种类。
2.如权利要求1所述的方法,其特征在于,所述量子空洞卷积神经网络包括编码层,所述编码层用于将目标像素编码至量子比特的初始态,所述目标像素是基于预设的扩张率和卷积核从所述待识别遥感图像中确定的,所述初始态用于提取所述待识别遥感图像的目标物体特征。
3.如权利要求2所述的方法,其特征在于,所述编码层包括依次作用于所述量子比特的H门、RY门和RZ门,所述RY门的旋转参数基于所述目标像素的反三角函数值确定,所述RZ门的旋转参数基于所述目标像素平方的反三角函数值确定。
4.如权利要求3所述的方法,其特征在于,所述量子空洞卷积神经网络还包括纠缠层和测量层,所述纠缠层用于将所述初始态演化至包括目标物体特征信息的纠缠态,所述测量层用于对所述量子比特进行测量,从所述纠缠态中提取所述待识别遥感图像的目标物体特征。
5.如权利要求4所述的方法,其特征在于,所述纠缠层包括依次作用于相邻所述量子比特的CNOT门、作用于相间隔所述量子比特的CNOT门和作用于所述量子比特的含参量子逻辑门,所述含参量子逻辑门基于训练所述量子空洞卷积神经网络模型的损失函数确定。
7.如权利要求1-6任一项所述的方法,其特征在于,所述将所述待识别遥感图像输入至包括量子空洞卷积神经网络和分类器的图像分类模型之前,包括:
对所述待识别遥感图像进行尺寸变换和归一化处理,得到所述量子空洞卷积神经网络允许输入的待识别遥感图像。
8.一种遥感图像量子识别装置,其特征在于,所述装置包括:
通信单元,用于接收遥感设备拍摄的待识别遥感图像;
处理单元,用于将所述待识别遥感图像输入至包括量子空洞卷积神经网络和分类器的图像分类模型,所述量子空洞卷积神经网络被训练基于遥感图像的像素来提取目标物体特征,所述分类器被训练基于目标物体特征预测遥感图像中目标物体的种类;
所述通信单元,还用于接收所述图像分类模型输出的预测数据,并提供所述预测数据作为输出,所述预测数据用于表征所述待识别遥感图像中目标物体的种类。
9.一种存储介质,其特征在于,所述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所述权利要求1-7任一项中所述的方法。
10.一种电子装置,包括存储器和处理器,其特征在于,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所述权利要求1-7任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310010117.7A CN116403019A (zh) | 2023-01-05 | 2023-01-05 | 遥感图像量子识别方法、装置、存储介质及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310010117.7A CN116403019A (zh) | 2023-01-05 | 2023-01-05 | 遥感图像量子识别方法、装置、存储介质及电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116403019A true CN116403019A (zh) | 2023-07-07 |
Family
ID=87008142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310010117.7A Pending CN116403019A (zh) | 2023-01-05 | 2023-01-05 | 遥感图像量子识别方法、装置、存储介质及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116403019A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437494A (zh) * | 2023-12-20 | 2024-01-23 | 量子科技长三角产业创新中心 | 一种图像分类方法、系统、电子设备及存储介质 |
-
2023
- 2023-01-05 CN CN202310010117.7A patent/CN116403019A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437494A (zh) * | 2023-12-20 | 2024-01-23 | 量子科技长三角产业创新中心 | 一种图像分类方法、系统、电子设备及存储介质 |
CN117437494B (zh) * | 2023-12-20 | 2024-04-16 | 量子科技长三角产业创新中心 | 一种图像分类方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Horvat et al. | A comparative study of YOLOv5 models performance for image localization and classification | |
WO2022068623A1 (zh) | 一种模型训练方法及相关设备 | |
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 | |
CN115144934B (zh) | 基于变分量子线路的气象预测方法及相关设备 | |
CN112560966B (zh) | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 | |
WO2022179533A1 (zh) | 一种量子卷积操作器 | |
CN114358216B (zh) | 基于机器学习框架的量子聚类方法及相关装置 | |
CN111401473A (zh) | 基于注意力机制卷积神经网络的红外目标分类方法 | |
CN112420125A (zh) | 分子属性预测方法、装置、智能设备和终端 | |
CN114358319B (zh) | 基于机器学习框架的分类方法及相关装置 | |
CN116403019A (zh) | 遥感图像量子识别方法、装置、存储介质及电子装置 | |
Wang et al. | Calyolov4: lightweight yolov4 target detection based on coordinated attention | |
CN116011681A (zh) | 一种气象数据预测方法、装置、存储介质及电子装置 | |
CN114358318B (zh) | 基于机器学习框架的分类方法及相关装置 | |
CN114358295B (zh) | 基于机器学习框架的二分类方法及相关装置 | |
CN116011682A (zh) | 一种气象数据预测方法、装置、存储介质及电子装置 | |
CN114819163B (zh) | 量子生成对抗网络的训练方法、装置、介质及电子装置 | |
CN114170484B (zh) | 图片属性预测方法、装置、电子设备和存储介质 | |
CN115759413A (zh) | 一种气象预测方法、装置、存储介质及电子设备 | |
CN114372539A (zh) | 基于机器学习框架的分类方法及相关设备 | |
CN114819171B (zh) | 一种量子卷积操作的实现方法及装置 | |
CN114764619B (zh) | 一种基于量子线路的卷积操作方法及装置 | |
CN114821147B (zh) | 一种量子图像识别的显示方法及装置 | |
Qin et al. | CAU: A Causality Attention Unit for Spatial-temporal Sequence Forecast |
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 |