CN116740343A - 一种基于量子经典混合神经网络的图像分割方法及装置 - Google Patents
一种基于量子经典混合神经网络的图像分割方法及装置 Download PDFInfo
- Publication number
- CN116740343A CN116740343A CN202210195408.3A CN202210195408A CN116740343A CN 116740343 A CN116740343 A CN 116740343A CN 202210195408 A CN202210195408 A CN 202210195408A CN 116740343 A CN116740343 A CN 116740343A
- Authority
- CN
- China
- Prior art keywords
- quantum
- image
- target image
- neural network
- target
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 86
- 238000003709 image segmentation Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000005259 measurement Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 8
- 230000001133 acceleration Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 8
- 239000002096 quantum dot Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000005610 quantum mechanics Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (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)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于量子经典混合神经网络的图像分割方法及装置，方法包括：获取目标图像；其中，所述目标图像为灰度图像或彩色图像；将所述目标图像输入预先训练完成的、用于图像分割的量子经典混合神经网络；其中，所述量子经典混合神经网络包括：用于特征提取的量子卷积网络和用于语义分割的经典神经网络，所述量子经典混合神经网络基于所述目标图像对应的训练图像及其对应的标签图像训练确定；运行所述量子经典混合神经网络，输出所述目标图像对应的分割图像。利用本发明实施例，能够实现量子计算在图像分割领域的应用，以发挥量子计算的并行加速优势，并补充相关技术的空白。
Description
技术领域
本发明属于量子计算技术领域，特别是一种基于量子经典混合神经网络的图像分割方法及装置。
背景技术
量子计算机是一类遵循量子力学规律进行高速数学和逻辑运算、存储及处理量子信息的物理装置。当某个装置处理和计算的是量子信息，运行的是量子算法时，它就是量子计算机。量子计算机因其具有相对普通计算机更高效的处理数学问题的能力，例如，能将破解RSA密钥的时间从数百年加速到数小时，故成为一种正在研究中的关键技术。
在经典计算机领域，神经网络可以用于图像语义分割、自然语言处理、语音识别等领域，旨在提取图像、语言、语音等信息载体中的特征信息。然而，量子计算的技术如何应用于神经网络图像分割等领域亟需探索解决。
发明内容
本发明的目的是提供一种基于量子经典混合神经网络的图像分割方法及装置，以解决现有技术中的不足，它能够实现量子计算在图像分割领域的应用，以发挥量子计算的并行加速优势，并补充相关技术的空白。
本申请的一个实施例提供了一种基于量子经典混合神经网络的图像分割方法，方法包括：
获取目标图像；其中，所述目标图像为灰度图像或彩色图像；
将所述目标图像输入预先训练完成的、用于图像分割的量子经典混合神经网络；其中，所述量子经典混合神经网络包括：用于特征提取的量子卷积网络和用于语义分割的经典神经网络，所述量子经典混合神经网络基于所述目标图像对应的训练图像及其对应的标签图像训练确定；
运行所述量子经典混合神经网络，输出所述目标图像对应的分割图像。
可选的，所述方法还包括：
对所述目标图像进行归一化处理，得到归一化后的目标图像。
可选的，所述经典神经网络包括：U-net网络；
所述将所述目标图像输入预先训练完成的、用于图像分割的量子经典混合神经网络，包括：
根据所述目标图像的像素，计算所述量子卷积网络的网络参数值；
将所述目标图像对应的网络参数值，输入到所述量子卷积网络。
可选的，所述运行所述量子经典混合神经网络，输出所述目标图像对应的分割图像，包括：
运行所述量子卷积网络，输出所述目标图像对应的目标特征图；
将所述目标特征图输入所述经典神经网络，输出所述目标图像对应的分割图像。
可选的，所述量子卷积网络包括：编码所述目标图像的量子态编码模块、提取所述目标图像对应量子态的特征的量子卷积模块和输出卷积结果的量子测量模块。
可选的，所述将所述目标图像对应的网络参数值，输入到所述量子卷积网络，包括：
将所述目标图像对应的网络参数值，作为所述量子态编码模块中量子逻辑门的参数值，输入对应的量子逻辑门中。
可选的，所述运行所述量子卷积网络，输出所述目标图像对应的目标特征图，包括：
针对所述目标图像的每一组像素值，依次运行所述量子态编码模块、所述量子卷积模块和所述量子测量模块，通过所述量子测量模块针对量子比特的测量结果，输出每一组像素值对应的特征值；
根据每一组像素值对应的特征值，确定所述目标图像对应的目标特征图。
本发明的又一实施例提供了一种基于量子经典混合神经网络的图像分割装置，装置包括：
获取模块，用于获取目标图像；其中，所述目标图像为灰度图像或彩色图像；
输入模块，用于将所述目标图像输入预先训练完成的、用于图像分割的量子经典混合神经网络；其中，所述量子经典混合神经网络包括：用于特征提取的量子卷积网络和用于语义分割的经典神经网络，所述量子经典混合神经网络基于所述目标图像对应的训练图像及其对应的标签图像训练确定；
输出模块，用于运行所述量子经典混合神经网络，输出所述目标图像对应的分割图像。
本发明的一个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所述的方法。
本发明的一个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项所述的方法。
与现有技术相比，本发明提供的一种基于量子经典混合神经网络的图像分割方法，获取目标图像，将所述目标图像输入预先训练完成的、用于图像分割的量子经典混合神经网络，其中，所述量子经典混合神经网络包括：用于特征提取的量子卷积网络和用于语义分割的经典神经网络，所述量子经典混合神经网络基于所述目标图像对应的训练图像及其对应的标签图像训练确定；运行所述量子经典混合神经网络，输出所述目标图像对应的分割图像，从而能够实现量子计算在图像分割领域的应用，以发挥量子计算的并行加速优势，并补充相关技术的空白。
附图说明
图1为本发明实施例提供的一种基于量子经典混合神经网络的图像分割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基于量子经典混合神经网络的图像分割方法的流程示意图；
图3为本发明实施例提供的一种量子卷积网络的结构示意图；
图4为本发明实施例提供的一种量子卷积模块的结构示意图；
图5为本发明实施例提供的一种基于量子经典混合神经网络的图像分割装置的结构示意图。
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基于量子经典混合神经网络的图像分割方法，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基于量子经典混合神经网络的图像分割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)和用于存储数据的存储器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基于量子经典混合神经网络的图像分割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；两比特或多比特量子逻辑门，如CNOT门、CR门、CZ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的。
参见图2，图2为本发明实施例提供的一种基于量子经典混合神经网络的图像分割方法的流程示意图，可以包括如下步骤：
S201，获取目标图像；其中，所述目标图像为灰度图像或彩色图像；
具体的，对图像的形式和内容不做限定，包括文字图像等等。例如，接收的图像数据是灰度图像，其通道数量为1个通道，接收的图像用数据维度大小为四维的张量矩阵形式表示，且像素值范围是在0到1之间的浮点数。假设，接收的图像数量是1张1通道的大小为28*28的灰度图像，则其共有1*1*28*28＝784个像素点；或者，假设传入的图像数据是10张3通道的彩色图像，图像大小是32*32，则共有10*3*32*32＝30720个像素点。
优选的，为了减少数据复杂度，可以在对目标图像进行归一化处理，得到归一化后的目标图像。示例性的，对图像的像素值0—225，通过除以255，归一化像素值为0—1，以使归一化图像的像素值不超过1。
S202，将所述目标图像输入预先训练完成的、用于图像分割的量子经典混合神经网络；其中，所述量子经典混合神经网络包括：用于特征提取的量子卷积网络和用于语义分割的经典神经网络，所述量子经典混合神经网络基于所述目标图像对应的训练图像及其对应的标签图像训练确定；
具体的，量子经典混合神经网络是指涉及量子计算与经典计算的混合神经网络。其中，经典神经网络可以为经典计算领域的图像语义分割网络，包括但不限于：U-net网络，例如还包括FCN(Fully ConvolutionalNetwork,全卷积网络)网络等等。
具体的，量子卷积网络可以包括：编码所述目标图像的量子态编码模块、提取目标图像对应量子态的特征的量子卷积模块和输出卷积结果的量子测量模块。在实际应用中，各模块可通过量子线路技术实现其功能，各模块对应的量子线路组成量子卷积网络。
具体的，将所述目标图像输入预先训练完成的、用于图像分割的量子经典混合神经网络，可以根据所述目标图像的像素，计算所述量子卷积网络的网络参数值；将所述目标图像对应的网络参数值，输入到所述量子卷积网络。
示例性的，可以将所述目标图像对应的网络参数值，作为所述量子态编码模块中量子逻辑门的参数值，输入对应的量子逻辑门中。
以图3为例，图3为一种可运行于量子计算机(QuantumComputer)内的量子卷积网络的结构示意图。如图3所示，输入(input部分)为一张目标图像，对于量子态编码模块(Encoding部分)对应的量子线路，一次接收目标图像中的一组像素，包括4个像素值pix0、pix1、pix2、pix3。其中，量子线路的量子比特数与一组像素的数量保持一致。可以计算量子态编码模块中4个RY门的参数值为：pix0*2/π、pix1*2/π、pix2*2/π、pix3*2/π，4个RZ门的参数值为：(pix0*2/π)2、(pix1*2/π)2、(pix2*2/π)2、(pix3*2/π)2；或者，该4个RY门的参数值为：arctan pix0、arctan pix1、arctan pix2、arctan pix3，4个RZ门的参数值为：arctan(pix0)2、arctan(pix1)2、arctan(pix2)2、arctan(pix3)2，以上所使用的量子逻辑门及其参数计算方式仅作为示例，并不构成对量子态编码模块的限定。
S203，运行所述量子经典混合神经网络，输出所述目标图像对应的分割图像。
具体的，可以运行所述量子卷积网络，输出所述目标图像对应的目标特征图；将所述目标特征图输入所述经典神经网络，输出所述目标图像对应的分割图像。其中，经典神经网络为经典计算领域的图像语义分割网络，其中的网络处理过程为现有技术，本申请对其不进行赘述。
示例性的，可以针对所述目标图像的每一组像素值，依次运行所述量子态编码模块、所述量子卷积模块和所述量子测量模块，通过所述量子测量模块针对量子比特的测量结果，输出每一组像素值对应的特征值；根据每一组像素值对应的特征值，确定所述目标图像对应的目标特征图。
继续如图3所示为例，U(θ)表示量子卷积模块(RandomQuantumCircurt部分)，一种实现U(θ)功能的量子线路可如图4所示。其中，该量子线路包括CNOT门，用图标⊕及其连线表示；U3门，每个U3门包含3个可变参数α、β、γ，如图3中R(α1,β1,γ1)、R(α2,β2,γ2)、R(α3,β3,γ3)、R(α4,β4,γ4)所示，对应可变参数值通过迭代训练确定，U3门的酉矩阵为：
U(θ)右侧图标组成量子测量模块(Decoding部分)，共4个测量操作，对应位于4个量子比特位上。最终，通过针对量子比特的测量结果，计算并输出该组像素对应的特征值，完成一步卷积操作。当所有组像素均完成卷积操作后，得到每一组像素对应的特征值，即可组成新的目标特征图(Output部分)。
具体的，可以对量子线路的所有量子比特位进行测量，得到所有量子比特的各量子态及其振幅；计算振幅对应的概率，根据各量子态及其概率，计算每组像素值的特征值。
在一种实现方式中，可以根据各量子态中预设子态的个数及其对应的概率，计算每组像素值的特征值。例如，2量子比特的测量结果为：
|00>态，概率P0；|01>态，概率P1；|10>态，概率P2；|11>态，概率P3。计算卷积结果为：
其中，n0、n1、n2、n3分别为|00>态、|01>态、|10>态、|11>态中预设子态|1>的个数，即n0＝0、n1＝1、n2＝1、n3＝2，从而得到特征值为：
P0-P1-P2+P3
在另一种实现方式中，可以将每一量子态对应的十进制值(如|11>态对应十进制值3)与概率的乘积进行累加，将累加之和确定为每组像素值的特征值。
在实际应用中，对量子线路进行测量，根据测量结果确定每组像素值的卷积结果，也可以对量子线路的预设位量子比特进行测量，得到预设位量子比特的各量子态及其振幅；计算各量子态中预设量子态的振幅对应的概率，作为该组像素值的特征值。例如，预设位量子比特可以为第一位量子比特，预设量子态可以为第一位量子比特的|1>态，等等。
在实际应用的训练过程中，可以将训练出的分割图像与真实分割图像进行对比，构建损失函数，通过优化器例如Adam函数对量子卷积模块中可变参数的梯度来迭代更新，然后比较损失函数确定可变参数是否收敛，以完成量子经典混合神经网络的训练。
示例性的，对于图像分割问题可以使用BCELoss损失函数，公式如下：
loss(xi,yi)＝-wi[yilogxi+(1-yi)log(1-xi)]
其中，i表示第i个数据(第i张目标图像，对于一次处理多张目标图像的情况)，yi表示原始标签图像经过量子卷积网络输出的标签，xi表示预测值(输出的分割图像)，wi表示数据维度的倒数。
可变参数的梯度计算方式可以如下：
其中，f(x；θi)可理解为量子卷积模块对应的量子卷积函数，具体为在当前输入为x(像素值)和θi(可变参数)时量子卷积模块对应测量得到的概率值，x为输入的像素值，θi为量子逻辑门的可变参数，为梯度。
参数更新方式可以如下：
其中，η为学习率，其值主要依据网络迭代收敛的情况确定，例如为1e－3。如果不收敛或收敛速度过快，比如训练3轮就已经收敛，表示值过大，需要相对减小其值；如果收敛速度较慢，比如训练了30轮，仍然不见收敛，则表示值过小，需要相对调大。
可见，通过获取目标图像，将目标图像输入预先训练完成的、用于图像分割的量子经典混合神经网络，其中，量子经典混合神经网络包括：用于特征提取的量子卷积网络和用于语义分割的经典神经网络，量子经典混合神经网络基于目标图像对应的训练图像及其对应的标签图像训练确定；运行量子经典混合神经网络，输出目标图像对应的分割图像，从而能够实现量子计算在图像分割领域的应用，以发挥量子计算的并行加速优势，并补充相关技术的空白。
参见图5，图5为本发明实施例提供的一种基于量子经典混合神经网络的图像分割装置的结构示意图，与图2所示的流程相对应，所述装置包括：
获取模块501，用于获取目标图像；其中，所述目标图像为灰度图像或彩色图像；
输入模块502，用于将所述目标图像输入预先训练完成的、用于图像分割的量子经典混合神经网络；其中，所述量子经典混合神经网络包括：用于特征提取的量子卷积网络和用于语义分割的经典神经网络，所述量子经典混合神经网络基于所述目标图像对应的训练图像及其对应的标签图像训练确定；
输出模块503，用于运行所述量子经典混合神经网络，输出所述目标图像对应的分割图像。
具体的，所述装置还包括：
归一化模块，用于对所述目标图像进行归一化处理，得到归一化后的目标图像。
具体的，所述经典神经网络包括：U-net网络；所述输入模块，包括：
计算单元，用于根据所述目标图像的像素，计算所述量子卷积网络的网络参数值；
输入单元，用于将所述目标图像对应的网络参数值，输入到所述量子卷积网络。
具体的，所述输出模块，包括：
第一输出单元，用于运行所述量子卷积网络，输出所述目标图像对应的目标特征图；
第二输出单元，用于将所述目标特征图输入所述经典神经网络，输出所述目标图像对应的分割图像。
具体的，所述量子卷积网络包括：编码所述目标图像的量子态编码模块、提取所述目标图像对应量子态的特征的量子卷积模块和输出卷积结果的量子测量模块。
具体的，所述输入单元，具体用于：
将所述目标图像对应的网络参数值，作为所述量子态编码模块中量子逻辑门的参数值，输入对应的量子逻辑门中。
具体的，所述第一输出单元，具体用于：
针对所述目标图像的每一组像素值，依次运行所述量子态编码模块、所述量子卷积模块和所述量子测量模块，通过所述量子测量模块针对量子比特的测量结果，输出每一组像素值对应的特征值；
根据每一组像素值对应的特征值，确定所述目标图像对应的目标特征图。
可见，通过获取目标图像，将目标图像输入预先训练完成的、用于图像分割的量子经典混合神经网络，其中，量子经典混合神经网络包括：用于特征提取的量子卷积网络和用于语义分割的经典神经网络，量子经典混合神经网络基于目标图像对应的训练图像及其对应的标签图像训练确定；运行量子经典混合神经网络，输出目标图像对应的分割图像，从而能够实现量子计算在图像分割领域的应用，以发挥量子计算的并行加速优势，并补充相关技术的空白。
本发明实施例还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：
S1，获取目标图像；其中，所述目标图像为灰度图像或彩色图像；
S2，将所述目标图像输入预先训练完成的、用于图像分割的量子经典混合神经网络；其中，所述量子经典混合神经网络包括：用于特征提取的量子卷积网络和用于语义分割的经典神经网络，所述量子经典混合神经网络基于所述目标图像对应的训练图像及其对应的标签图像训练确定；
S3，运行所述量子经典混合神经网络，输出所述目标图像对应的分割图像。
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。
本发明实施例还提供了一种电子装置，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上述任一项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：
S1，获取目标图像；其中，所述目标图像为灰度图像或彩色图像；
S2，将所述目标图像输入预先训练完成的、用于图像分割的量子经典混合神经网络；其中，所述量子经典混合神经网络包括：用于特征提取的量子卷积网络和用于语义分割的经典神经网络，所述量子经典混合神经网络基于所述目标图像对应的训练图像及其对应的标签图像训练确定；
S3，运行所述量子经典混合神经网络，输出所述目标图像对应的分割图像。
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)
1.一种基于量子经典混合神经网络的图像分割方法，其特征在于，所述方法包括：
获取目标图像；其中，所述目标图像为灰度图像或彩色图像；
将所述目标图像输入预先训练完成的、用于图像分割的量子经典混合神经网络；其中，所述量子经典混合神经网络包括：用于特征提取的量子卷积网络和用于语义分割的经典神经网络，所述量子经典混合神经网络基于所述目标图像对应的训练图像及其对应的标签图像训练确定；
运行所述量子经典混合神经网络，输出所述目标图像对应的分割图像。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对所述目标图像进行归一化处理，得到归一化后的目标图像。
3.根据权利要求1所述的方法，其特征在于，所述经典神经网络包括：U-net网络；
所述将所述目标图像输入预先训练完成的、用于图像分割的量子经典混合神经网络，包括：
根据所述目标图像的像素，计算所述量子卷积网络的网络参数值；
将所述目标图像对应的网络参数值，输入到所述量子卷积网络。
4.根据权利要求3所述的方法，其特征在于，所述运行所述量子经典混合神经网络，输出所述目标图像对应的分割图像，包括：
运行所述量子卷积网络，输出所述目标图像对应的目标特征图；
将所述目标特征图输入所述经典神经网络，输出所述目标图像对应的分割图像。
5.根据权利要求4所述的方法，其特征在于，所述量子卷积网络包括：编码所述目标图像的量子态编码模块、提取所述目标图像对应量子态的特征的量子卷积模块和输出卷积结果的量子测量模块。
6.根据权利要求5所述的方法，其特征在于，所述将所述目标图像对应的网络参数值，输入到所述量子卷积网络，包括：
将所述目标图像对应的网络参数值，作为所述量子态编码模块中量子逻辑门的参数值，输入对应的量子逻辑门中。
7.根据权利要求5所述的方法，其特征在于，所述运行所述量子卷积网络，输出所述目标图像对应的目标特征图，包括：
针对所述目标图像的每一组像素值，依次运行所述量子态编码模块、所述量子卷积模块和所述量子测量模块，通过所述量子测量模块针对量子比特的测量结果，输出每一组像素值对应的特征值；
根据每一组像素值对应的特征值，确定所述目标图像对应的目标特征图。
8.一种基于量子经典混合神经网络的图像分割装置，其特征在于，所述装置包括：
获取模块，用于获取目标图像；其中，所述目标图像为灰度图像或彩色图像；
输入模块，用于将所述目标图像输入预先训练完成的、用于图像分割的量子经典混合神经网络；其中，所述量子经典混合神经网络包括：用于特征提取的量子卷积网络和用于语义分割的经典神经网络，所述量子经典混合神经网络基于所述目标图像对应的训练图像及其对应的标签图像训练确定；
输出模块，用于运行所述量子经典混合神经网络，输出所述目标图像对应的分割图像。
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至7任一项所述的方法。
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至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210195408.3A CN116740343A (zh) | 2022-03-01 | 2022-03-01 | 一种基于量子经典混合神经网络的图像分割方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210195408.3A CN116740343A (zh) | 2022-03-01 | 2022-03-01 | 一种基于量子经典混合神经网络的图像分割方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116740343A true CN116740343A (zh) | 2023-09-12 |
Family
ID=87908401
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210195408.3A Pending CN116740343A (zh) | 2022-03-01 | 2022-03-01 | 一种基于量子经典混合神经网络的图像分割方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116740343A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107204008A (zh) * | 2017-06-08 | 2017-09-26 | 上海海事大学 | 量子图像匹配方法 |
| CN108881660A (zh) * | 2018-05-02 | 2018-11-23 | 北京大学 | 一种采用优化初始权重的量子神经网络压缩计算全息图的方法 |
| CN110648348A (zh) * | 2019-09-30 | 2020-01-03 | 重庆邮电大学 | 基于neqr表达的量子图像分割方法 |
| CN111539894A (zh) * | 2020-04-28 | 2020-08-14 | 深圳市京湾量子遥感科技有限公司 | 一种新型图像增强方法 |
| US20210089955A1 (en) * | 2019-09-24 | 2021-03-25 | Qualcomm Incorporated | Quantum inspired convolutional kernels for convolutional neural networks |
| 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 |
-
2022
- 2022-03-01 CN CN202210195408.3A patent/CN116740343A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107204008A (zh) * | 2017-06-08 | 2017-09-26 | 上海海事大学 | 量子图像匹配方法 |
| CN108881660A (zh) * | 2018-05-02 | 2018-11-23 | 北京大学 | 一种采用优化初始权重的量子神经网络压缩计算全息图的方法 |
| US20210089955A1 (en) * | 2019-09-24 | 2021-03-25 | Qualcomm Incorporated | Quantum inspired convolutional kernels for convolutional neural networks |
| CN110648348A (zh) * | 2019-09-30 | 2020-01-03 | 重庆邮电大学 | 基于neqr表达的量子图像分割方法 |
| CN111539894A (zh) * | 2020-04-28 | 2020-08-14 | 深圳市京湾量子遥感科技有限公司 | 一种新型图像增强方法 |
| 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 |
Non-Patent Citations (4)
| Title |
|---|
| DEBANJAN KONAR ET AL: "Qutrit-Inspired Fully Self-Supervised Shallow Quantum Learning Network for Brain Tumor Segmentation", 《IEEE》, 13 May 2021 (2021-05-13) * |
| SAYANTAN PRAMANIK ET AL: "A Quantum-Classical Hybrid Method for Image Classification and Segmentation", 《ARXIV》, 5 December 2021 (2021-12-05) * |
| 任凤娟;滕奇志;王正勇;何小海;周磊;: "基于IBM Q平台的量子图像算法研究", 四川大学学报(自然科学版), no. 01, 8 January 2020 (2020-01-08) * |
| 张培林;李胜;吴定海;李兵;周云川;: "基于量子计算的限制波尔兹曼机网络模型及分类算法", 振动与冲击, no. 24, 28 December 2015 (2015-12-28) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN114792378B (zh) | 一种量子图像识别方法及装置 | |
| CN111563599B (zh) | 一种量子线路的分解方法、装置、存储介质及电子装置 | |
| US20240095563A1 (en) | Quantum convolution operator | |
| CN114358295B (zh) | 基于机器学习框架的二分类方法及相关装置 | |
| CN114358319B (zh) | 基于机器学习框架的分类方法及相关装置 | |
| CN114511094B (zh) | 一种量子算法的优化方法、装置、存储介质与电子装置 | |
| CN114358318B (zh) | 基于机器学习框架的分类方法及相关装置 | |
| CN114358216B (zh) | 基于机器学习框架的量子聚类方法及相关装置 | |
| CN113222159B (zh) | 一种量子态的确定方法及装置 | |
| KR20190070044A (ko) | 컨볼루션 신경망의 이진화 연산 장치 및 방법 | |
| CN114819168B (zh) | 一种矩阵特征值的量子比较方法及装置 | |
| CN113222151B (zh) | 一种量子态的变换方法及装置 | |
| CN114764619B (zh) | 一种基于量子线路的卷积操作方法及装置 | |
| CN116403657A (zh) | 一种药物反应预测方法、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 | |
| CN116011682A (zh) | 一种气象数据预测方法、装置、存储介质及电子装置 | |
| CN116403019A (zh) | 遥感图像量子识别方法、装置、存储介质及电子装置 | |
| CN116740343A (zh) | 一种基于量子经典混合神经网络的图像分割方法及装置 | |
| CN114819171B (zh) | 一种量子卷积操作的实现方法及装置 | |
| CN114821147B (zh) | 一种量子图像识别的显示方法及装置 | |
| CN114764620B (zh) | 一种量子卷积操作器 | |
| CN114819169B (zh) | 一种矩阵条件数的量子估计方法及装置 | |
| CN114372582B (zh) | 基于机器学习框架的量子自动编码方法及相关装置 | |
| CN114692879B (zh) | 一种基于稀疏线性系统的量子预处理方法及装置 |
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 |