CN116935126A - 一种基于经典—量子混合机器学习的医学图像分类方法 - Google Patents
一种基于经典—量子混合机器学习的医学图像分类方法 Download PDFInfo
- Publication number
- CN116935126A CN116935126A CN202310910976.1A CN202310910976A CN116935126A CN 116935126 A CN116935126 A CN 116935126A CN 202310910976 A CN202310910976 A CN 202310910976A CN 116935126 A CN116935126 A CN 116935126A
- Authority
- CN
- China
- Prior art keywords
- quantum
- classical
- gate
- machine learning
- state
- 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 30
- 238000010801 machine learning Methods 0.000 title claims abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims abstract description 17
- 238000000513 principal component analysis Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 239000002096 quantum dot Substances 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000003745 diagnosis Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 3
- 206010035664 Pneumonia Diseases 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 17
- 230000009467 reduction Effects 0.000 description 4
- 238000004821 distillation Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
- G06N10/20—Models of quantum computing, e.g. quantum circuits or universal quantum computers
-
- 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
- G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computational Mathematics (AREA)
- Biomedical Technology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于经典—量子混合机器学习的医学图像分类方法,属于计算机视觉领域。本发明经典预处理将输入的图像都经过主成分分析法(PCA)粗略压缩到低维,将输入的低维向量经量子编码器编码为量子初态,构建参数化的量子纠缠网络作为量子分类器完成分类任务,输出量子态的期望值需要将每个量子比特线路中添加泡利算子集进行测量,由泡利算子集构建的输出函数,将输出量子态转变为经典概率预测值,通过计算均方误差(MSE)损失函数,并使用基于梯度的优化方法更新量子分类器的参数。本发明极大地降低了增加神经网络深度的成本。
Description
技术领域
本发明属于计算机视觉领域,具体涉及一种基于经典—量子混合机器学习的医学图像分类方法。
背景技术
近年来,人们基于人工智能(AI)技术对医学诊断和疾病识别进行了深入探索,相关应用出现了前所未有的激增。传统算法和人工方法通常具有劳动密集和耗时长的特点,而人工智能通过高效和高性能的图像分类,彻底改变了疾病诊断和管理的方式。在这些算法中,深度神经网络(DNN)使用大量的标记图像进行训练,并取得了出色的结果。
传统的深度神经网络(DNN)方法消耗巨大的计算资源。DNN模型通过极大地增加神经网络深度,很容易获得精度的提高,同时在网络中引入了更多的参数,需要更多的内存和计算资源。在对延迟敏感的应用程序中,模型通常通过分割、蒸馏或量化进行压缩,从而降低了在医学诊断中的准确性,但是这恰恰是医学诊断中最重要的。
全球数据量指数增长(每两年翻一番),但是摩尔定律却逼近极限,即经典计算芯片算力提升已经遇到瓶颈。量子计算用量子态的纯粹演化取代了矩阵的密集计算,极大地降低了增加神经网络深度的成本。量子机器学习已经有了各种各样的算法,其中很多都是基于Harrow-Hassidim-Lloyd算法,即基于量子相位估计通过高深度的量子线路在量子计算机上执行基本的矩阵运算,量子卷积神经网络(QCNN)和量子光学神经网络(QONN)是将经典神经网络转化为量子表示的两种方法。考虑到目前的量子计算水平被描述为噪声中等规模量子(NISQ)时代,如此深度的量子神经网络在真正的量子计算机上部署是不可实现的,而引入经典—量子混合机器学习神经网络可以促使真实的量子计算机在应用中落地。
本专利意在提供一种基于经典—量子混合机器学习的医学图像分类方法。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是如何提供一种基于经典—量子混合机器学习的医学图像分类方法,以解决使用量子计算进行医学图像分类的问题。
(二)技术方案
为了解决上述技术问题,本发明提出一种基于经典—量子混合机器学习的医学图像分类方法,该方法包括:
步骤一、经典预处理将输入的图像都经过主成分分析法(PCA)粗略压缩到低维,得到m维经典向量xi;
步骤二、将输入的m维经典向量xi经量子编码器编码为量子初态|ψin>,|ψin>为一个m维的量子态向量,通过将量子态与酉变换U(xi)相互作用计算得到,从而完成量子编码:
步骤三、量子分类:构建参数化的量子纠缠网络U(θ)作为量子分类器完成分类任务,通过量子编码后的量子初态由参数化的量子门操作,对输入图像的类型进行预测,得到输出量子态:
|ψout(xi,θ)>=Uθ)|ψin>
步骤四、量子态转化为经典态:输出量子态的期望值需要将每个量子比特线路中添加泡利算子集进行测量,由泡利算子集构建的输出函数为F,将输出量子态转变为经典概率预测值yi:
yi=y(xi,θ)=F(<Bj(xi,θ)>)
步骤五,经典优化:在对图像进行预测后,将纠缠网络的输出量子态转变为经典概率预测值,通过计算均方误差(MSE)损失函数L,并使用基于梯度的优化方法更新量子分类器的参数θ,经过多次迭代,函数收敛,得到一个训练好的诊断模型
(三)有益效果
本发明提出一种基于经典—量子混合机器学习的医学图像分类方法,本发明结合量子线路编辑和经典神经网络算法的基本思想,构造了基于经典—量子混合机器学习的医学图像分类方法。量子纠缠网络相比与经典神经网络能够大幅减少网络参数的数量,从而极大地降低了增加神经网络深度的成本。对延迟敏感的应用而言,参数的数量的减少避免了模型通常通过分割、蒸馏或量化进行压缩,从而保证了在医学诊断中的准确性,使得本发明具有科研前沿性和创新性。
附图说明
图1为本发明的量子分类器中的U(θ)线路图;
图2为本发明的量子分类流程图。
具体实施方式
为使本发明的目的、内容和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
本发明要解决的技术问题是如何基于经典—量子混合机器学习框架,并使用量子降维电路来执行医疗诊断任务。
为了解决上述技术问题,本发明提出一种基于经典—量子混合机器学习的医学图像分类方法,该方法包括如下步骤:
步骤一、经典预处理。将输入的图像都经过主成分分析法(PCA)粗略压缩到低维,得到m维经典向量xi,这确保了当前的量子计算机能够满足经典—量子混合机器学习方法的计算需求。
步骤二、将输入的m维经典向量xi经量子编码器编码为量子初态|ψin>,|ψin>为一个m维的量子态向量,通过将量子态与酉变换U(xi)相互作用计算得到,从而完成量子编码。如图1左边所示。
步骤三、量子分类。构建参数化的量子纠缠网络U(θ)作为量子分类器可以完成分类任务,用于分类的纠缠网络U(θ)和用于解码、编码的纠缠网络相同,为深度为3的重复结构,每个结构包含CNOT门及其后面的一列R(y)门。通过量子编码后的量子初态由参数化的量子门操作,对输入图像的类型进行预测,得到输出量子态。
|ψout(xi,θ)>=U(θ)|ψin>
如图1所示,量子分类器中,用于分类的纠缠网络U(θ)包括3条线路,第一条线路中依次包括:受控非门、Ry门、受控非门、Ry门、受控非门和Ry门,第一条线路中的受控非门还连接到第三条线路;第二条线路中依次包括:受控非门、Ry门、受控非门、Ry门、受控非门和Ry门,第二条线路中的受控非门还连接到第一条线路;第三条线路中依次包括:受控非门、Ry门、受控非门、Ry门、受控非门和Ry门,第三条线路中的受控非门还连接到第二条线路。
与经典CNN神经网络类似,我们先将数据集中图像的训练数据集分成8:1的训练集和测试集。然后用训练集去训练量子分类器,由于训练集自带标签,经过经典优化,调整参数θ,可以使得量子分类器能准确预测图片。
量子纠缠网络如图1所示,类似经典的神经网络,量子纠缠网络通常包含旋转门(用于引入参数)以及cnot门,cnot门用于引入量子比特之间的纠缠。在这里用于分类的纠缠网络和用于解码、编码的纠缠网络相同,为深度为3的重复结构,每个结构包含图一种cnot门及其后面的一列R(y)门。
步骤四、量子态转化为经典态。输出量子态的期望值需要将每个量子比特线路中添加泡利算子集进行测量,由泡利算子集构建的输出函数为F,可以将输出量子态转变为经典概率预测值yi:
yi=y(xi,θ)=F(<Bj(xi,θ)>)
其中,泡利算子I是单位矩阵,泡利算子X将自旋向上和向下翻过来;泡利算子Y也是将自旋向上和向下翻过来,但是会加一个相反的相位;泡利算子Z,不改变自旋向上,但是自旋向下加一个相位。三种泡利算子X、Y、Z会对量子比特的状态进行改变。
这里的输出函数F是指包含泡利算符、xi、参数θ的一系列变换,可以将量子态转化成标量及经典态预测值。
步骤五,经典优化。在对图像进行预测后,将纠缠网络的输出量子态转变为经典概率预测值,通过计算均方误差(MSE)损失函数L,并使用基于梯度的优化方法更新量子分类器的参数θ。经过多次迭代,函数收敛,得到一个训练好的诊断模型。
其中,为真实值,yi为步骤四计算得到的预测值;
进一步地,使用经典的backward算法,通过调整参数θ,来最小化损失函数。
实施例1:
下面结合附图,使用MedMNIST11数据集的一个子集——PneumoniaMNIST作为测试集对本发明做进一步具体说明,该数据集由5,856张灰度儿童胸部x射线图像组成,是医学领域中的MNIST数据集,分辨率为28×28,针对肺炎和正常病例的分类。我们将5,232张图像的训练数据集分成8:1的训练集和测试集。
实施步骤:
步骤一,将待测图片样本写为一维向量,把所有的一维向量堆叠成一个矩阵M,通过主成分分析法(PCA)粗略压缩,将图片信息下采样至m行的矩阵N,m为该量子自动编码器中的量子线路数;矩阵N的每一列为低维向量xi;
首先将28×28分辨率的待测样本写为784×1的向量,把所有的向量堆叠成一个矩阵M,通过主成分分析法(PCA)粗略压缩,将图片信息下采样至3维。
步骤二,对经典预处理后的数据集进行量子编码生成输入量子态。在量子编码器中,每条线代表一个量子位,因此图1有3个量子位。图1中,量子编码器的每条线路包括:Rz、Ry和Rz门,每一个Rz、Ry和Rz门组成一个通用旋转门,可以将输入的量子态沿着bloch球的Z轴、Y轴、Z轴旋转任何角度。
步骤三,将量子编码后的器编量子态输入量子分类器进行训练。量子分类器的线路如图1所示,量子分类器的线路有CNOT门和Ry门组成,Ry门的参数为θ。
步骤四,通过量子分类器以后,将纠缠网络的输出量子态转变为经典概率值,经典优化器使用基于梯度的方法对均方误差(MSE)损失函数L进行优化。图1展示了量子分类的流程,表1展示了经过训练后的量子分类模型,结合不同降维方法,实现的分类效果。
表1不同模型的分类精度
本发明的有益效果:
本发明结合量子线路编辑和经典神经网络算法的基本思想,构造了基于经典—量子混合机器学习的医学图像分类方法。量子纠缠网络相比与经典神经网络能够大幅减少网络参数的数量,从而极大地降低了增加神经网络深度的成本。对延迟敏感的应用而言,参数的数量的减少避免了模型通常通过分割、蒸馏或量化进行压缩,从而保证了在医学诊断中的准确性,使得本发明具有科研前沿性和创新性。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于经典—量子混合机器学习的医学图像分类方法,其特征在于,该方法包括:
步骤一、经典预处理将输入的图像都经过主成分分析法(PCA)粗略压缩到低维,得到m维经典向量xi;
步骤二、将输入的m维经典向量xi经量子编码器编码为量子初态|ψin>,|ψin>为一个m维的量子态向量,通过将量子态与酉变换U(xi)相互作用计算得到,从而完成量子编码:
步骤三、量子分类:构建参数化的量子纠缠网络U(θ)作为量子分类器完成分类任务,通过量子编码后的量子初态由参数化的量子门操作,对输入图像的类型进行预测,得到输出量子态:
|ψout(xi,θ)>=Uθ)|ψin>
步骤四、量子态转化为经典态:输出量子态的期望值需要将每个量子比特线路中添加泡利算子集进行测量,由泡利算子集构建的输出函数为F,将输出量子态转变为经典概率预测值yi:
yi=y(xi,θ)=F(<Bj(xi,θ)>)
步骤五,经典优化:在对图像进行预测后,将纠缠网络的输出量子态转变为经典概率预测值,通过计算均方误差(MSE)损失函数L,并使用基于梯度的优化方法更新量子分类器的参数θ,经过多次迭代,函数收敛,得到一个训练好的诊断模型
2.如权利要求1所述的基于经典—量子混合机器学习的医学图像分类方法,其特征在于,所述步骤一具体包括:将待测图片样本写为一维向量,把所有的一维向量堆叠成一个矩阵M,通过主成分分析法(PCA)粗略压缩,将图片信息下采样至m行的矩阵N,m为该量子自动编码器中的量子线路数;矩阵N的每一列为低维向量xi。
3.如权利要求1所述的基于经典—量子混合机器学习的医学图像分类方法,其特征在于,所述步骤二的量子编码器中,每条线代表一个量子位,量子编码器的每条线路包括:Rz、Ry和Rz门,每一个Rz、Ry和Rz门组成一个通用旋转门,将输入的量子态沿着bloch球的Z轴、Y轴、Z轴旋转任何角度。
4.如权利要求1所述的基于经典—量子混合机器学习的医学图像分类方法,其特征在于,所述步骤三中,量子分类器为深度为3的重复结构,每个结构包含CNOT门及其后面的一列R(y)门。
5.如权利要求4所述的基于经典—量子混合机器学习的医学图像分类方法,其特征在于,量子分类器中,用于分类的纠缠网络U(θ)包括3条线路,第一条线路中依次包括:受控非门、Ry门、受控非门、Ry门、受控非门和Ry门,第一条线路中的受控非门还连接到第三条线路;第二条线路中依次包括:受控非门、Ry门、受控非门、Ry门、受控非门和Ry门,第二条线路中的受控非门还连接到第一条线路;第三条线路中依次包括:受控非门、Ry门、受控非门、Ry门、受控非门和Ry门,第三条线路中的受控非门还连接到第二条线路。
6.如权利要求1所述的基于经典—量子混合机器学习的医学图像分类方法,其特征在于,所述步骤四中,泡利算子I是单位矩阵,泡利算子X将自旋向上和向下翻过来;泡利算子Y也是将自旋向上和向下翻过来,但是会加一个相反的相位;泡利算子Z,不改变自旋向上,但是自旋向下加一个相位;三种泡利算子X、Y、Z会对量子比特的状态进行改变。
7.如权利要求6所述的基于经典—量子混合机器学习的医学图像分类方法,其特征在于,输出函数F是指包含泡利算符、xi、参数θ的一系列变换,用于将量子态转化成标量及经典态预测值。
8.如权利要求1所述的基于经典—量子混合机器学习的医学图像分类方法,其特征在于,所述步骤五中,使用经典的backward算法,通过调整参数θ,来最小化损失函数。
9.如权利要求1所述的基于经典—量子混合机器学习的医学图像分类方法,其特征在于,该方法使用MedMNIST11数据集的一个子集——PneumoniaMNIST作为测试集,该数据集由5,856张灰度儿童胸部x射线图像组成,分辨率为28×28,针对肺炎和正常病例的分类。
10.如权利要求8所述的基于经典—量子混合机器学习的医学图像分类方法,其特征在于,将5,232张图像的训练数据集分成8:1的训练集和测试集,然后用训练集去训练量子分类器,由于训练集自带标签,经过经典优化,调整参数θ,使得量子分类器能准确预测图片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310910976.1A CN116935126A (zh) | 2023-07-24 | 2023-07-24 | 一种基于经典—量子混合机器学习的医学图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310910976.1A CN116935126A (zh) | 2023-07-24 | 2023-07-24 | 一种基于经典—量子混合机器学习的医学图像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116935126A true CN116935126A (zh) | 2023-10-24 |
Family
ID=88376929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310910976.1A Pending CN116935126A (zh) | 2023-07-24 | 2023-07-24 | 一种基于经典—量子混合机器学习的医学图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116935126A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649563A (zh) * | 2024-01-29 | 2024-03-05 | 量子科技长三角产业创新中心 | 图像类别的量子识别方法、系统、电子设备及存储介质 |
CN118014092A (zh) * | 2024-04-08 | 2024-05-10 | 国开启科量子技术(安徽)有限公司 | 确定函数分类的量子计算方法、量子线路、设备及介质 |
-
2023
- 2023-07-24 CN CN202310910976.1A patent/CN116935126A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649563A (zh) * | 2024-01-29 | 2024-03-05 | 量子科技长三角产业创新中心 | 图像类别的量子识别方法、系统、电子设备及存储介质 |
CN117649563B (zh) * | 2024-01-29 | 2024-05-10 | 量子科技长三角产业创新中心 | 图像类别的量子识别方法、系统、电子设备及存储介质 |
CN118014092A (zh) * | 2024-04-08 | 2024-05-10 | 国开启科量子技术(安徽)有限公司 | 确定函数分类的量子计算方法、量子线路、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919204B (zh) | 一种面向噪声图像的深度学习聚类方法 | |
CN111291212A (zh) | 基于图卷积神经网络的零样本草图图像检索方法和系统 | |
CN113159239B (zh) | 一种量子图卷积神经网络处理图数据的方法 | |
CN111259904B (zh) | 一种基于深度学习和聚类的语义图像分割方法及系统 | |
US20230300354A1 (en) | Method and System for Image Compressing and Coding with Deep Learning | |
CN116935126A (zh) | 一种基于经典—量子混合机器学习的医学图像分类方法 | |
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 | |
CN111860790A (zh) | 一种提高深度残差脉冲神经网络精度以优化图像分类的方法及其系统 | |
Zhu et al. | Semantic image segmentation with shared decomposition convolution and boundary reinforcement structure | |
CN112115744B (zh) | 点云数据的处理方法及装置、计算机存储介质、电子设备 | |
CN117313531A (zh) | 光子能带预测透射谱模型的训练、预测方法、介质及设备 | |
CN117372617A (zh) | 一种基于GCN-Transformer模型的点云数据重建方法及电子设备 | |
WO2023174256A1 (zh) | 一种数据压缩方法以及相关设备 | |
CN110020379B (zh) | 一种基于深度动态网络嵌入表示模型的链路预测方法 | |
Ren | The advance of generative model and variational autoencoder | |
CN113962262B (zh) | 一种基于连续学习的雷达信号智能分选方法 | |
Kashyap et al. | Quantum convolutional neural network architecture for multi-class classification | |
WO2023177318A1 (en) | Neural network with approximated activation function | |
CN114972851A (zh) | 一种基于遥感影像的船只目标智能检测方法 | |
CN114511097A (zh) | 基于量子线路的互学习方法及系统 | |
CN114550849A (zh) | 基于量子图神经网络解决化学分子性质预测的方法 | |
WO2023075630A1 (en) | Adaptive deep-learning based probability prediction method for point cloud compression | |
CN115409150A (zh) | 一种数据压缩方法、数据解压方法及相关设备 | |
CN112598115A (zh) | 一种基于非局部邻关系学习的深度神经网络层次分析方法 | |
CN117010517A (zh) | 一种基于量子线路的量子自动编码器的实现方法 |
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 |