CN117437494A - 一种图像分类方法、系统、电子设备及存储介质 - Google Patents

一种图像分类方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN117437494A
CN117437494A CN202311756374.1A CN202311756374A CN117437494A CN 117437494 A CN117437494 A CN 117437494A CN 202311756374 A CN202311756374 A CN 202311756374A CN 117437494 A CN117437494 A CN 117437494A
Authority
CN
China
Prior art keywords
quantum
image
layer
module
image classification
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
Application number
CN202311756374.1A
Other languages
English (en)
Other versions
CN117437494B (zh
Inventor
熊枫
郭宇航
王维
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Quantum Technology Yangtze River Delta Industrial Innovation Center
Original Assignee
Quantum Technology Yangtze River Delta Industrial Innovation Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Quantum Technology Yangtze River Delta Industrial Innovation Center filed Critical Quantum Technology Yangtze River Delta Industrial Innovation Center
Priority to CN202311756374.1A priority Critical patent/CN117437494B/zh
Publication of CN117437494A publication Critical patent/CN117437494A/zh
Application granted granted Critical
Publication of CN117437494B publication Critical patent/CN117437494B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06V10/70—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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (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)
  • Multimedia (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

本申请公开了一种图像分类方法、系统、电子设备及存储介质，所属的技术领域为量子机器学习技术。所述图像分类方法包括：获取样本图像，并利用卷积神经网络模块将样本图像转换为一维特征数据；对一维特征数据进行切分得到多个数据片段，并利用量子层模块中的多个量子线路并行处理所有数据片段；拼接所有量子线路的输出结果得到拼接向量，并利用分类层模块输出拼接向量对应的类别预测结果；根据类别预测结果和样本图像的类别标签计算损失函数值，并根据损失函数值训练图像分类模型；若收到图像识别任务，则确定图像识别任务对应的未知图像，并利用训练后的图像分类模型输出未知图像的图像类别。本申请能够提高图像分类的效率和精度。

Description

一种图像分类方法、系统、电子设备及存储介质
技术领域
本申请涉及量子机器学习技术领域，特别涉及一种图像分类方法、系统、电子设备及存储介质。
背景技术
随着科技的发展，人工智能和机器学习已经在众多领域取得了显著的进步。然而，随着数据规模的快速增长，传统的机器学习算法在处理复杂任务时面临着巨大的计算和时间挑战。量子计算作为一种新兴的计算模型，具有在解决某些问题上超越经典计算的潜力。近年来，量子机器学习作为一种结合量子计算和机器学习的交叉学科，已经引起了广泛的关注。
相关技术中存在使用混合量子神经网络进行图像分类的方案，混合量子神经网络包括经典卷积神经网络和量子神经网络，但是上述混合量子神经网络线路比特数目过多，存在门电路操作过深而引起的量子态的退相干因素影响，导致图像分类的效率和精度较低。
因此，如何提高图像分类的效率和精度是本领域技术人员目前需要解决的技术问题。
发明内容
本申请的目的是提供一种图像分类方法、系统、电子设备及存储介质，能够提高图像分类的效率和精度。
为解决上述技术问题，本申请提供一种图像分类方法，应用于运行有图像分类模型的电子设备，所述图像分类模型包括卷积神经网络模块、量子层模块和分类层模块，所述图像分类方法包括：
获取样本图像，并利用所述卷积神经网络模块将所述样本图像转换为一维特征数据；
对所述一维特征数据进行切分得到多个数据片段，并利用所述量子层模块中的多个量子线路并行处理所有所述数据片段；
拼接所有所述量子线路的输出结果得到拼接向量，并利用所述分类层模块输出所述拼接向量对应的类别预测结果；
根据所述类别预测结果和所述样本图像的类别标签计算损失函数值，并根据所述损失函数值更新所述卷积神经网络模块和所述量子层模块的网络参数，以便训练所述图像分类模型；
若收到图像识别任务，则确定所述图像识别任务对应的未知图像，并利用训练后的所述图像分类模型输出所述未知图像的图像类别。
可选的，所述卷积神经网络模块包括卷积层、池化层和线性层；
相应的，利用所述卷积神经网络模块将所述样本图像转换为一维特征数据，包括：
利用卷积层对所述样本图像进行特征提取，利用所述池化层对所述卷积层的输出结果进行最大池化操作，得到图像特征信息；
利用所述线性层对所述图像特征信息进行维度变换和线性组合，得到长度为预设值的所述一维特征数据。
可选的，所述利用卷积层对所述样本图像进行特征提取，包括：
确定所述样本图像对应的像素信息矩阵；
若所述像素信息矩阵的行数和/或列数不为2的整数次幂，则对所述像素信息矩阵的边缘填充数值为0的元素，得到新的像素信息矩阵；其中，所述新的像素信息矩阵行数和列数均2的整数次幂；
利用卷积层对所述新的像素信息矩阵进行特征提取。
可选的，利用所述量子层模块中的多个量子线路并行处理所有所述数据片段，包括：
将所有所述数据片段按照预设比例分配至多个所述量子线路；
控制每一所述量子线路对被分配的所述数据片段进行处理；其中，每一所述量子线路均包括数据编码层、纠缠层和测量层。
可选的，控制每一所述量子线路对被分配的所述数据片段进行处理，包括：
利用所述数据编码层将被分配的所述数据片段进行单比特旋转门的相位编码操作，得到编码后的量子态；
利用所述纠缠层对所述编码后的量子态进行处理得到含训练参数的纠缠量子态；其中，所述纠缠层包括参数化的单比特任意旋转门和全连通的相邻两比特之间的控制非门；
利用所述测量层对预设数量个所述含训练参数的纠缠量子态进行全振幅测量得到单比特的泡利矩阵平均值；其中，所述全振幅测量为分别沿着泡利X矩阵方向、泡利Y矩阵方向和泡利Z矩阵方向测量量子态投影值的操作。
可选的，所述量子层模块中的所有所述量子线路分别运行在多个量子计算机；
相应的，在训练所述图像分类模型的过程中，还包括：
控制同一所述量子计算机中运行的所有所述量子线路共享训练参数。
可选的，拼接所有所述量子线路的输出结果得到拼接向量，包括：
确定每一所述数据片段在所述一维特征数据中的片段序号；
按照所述片段序号将所有所述数据片段对应的所述量子线路的输出结果进行拼接，得到所述拼接向量。
本申请还提供了一种图像分类系统，应用于运行有图像分类模型的电子设备，所述图像分类模型包括卷积神经网络模块、量子层模块和分类层模块，所述图像分类系统包括：
特征提取模块，用于获取样本图像，并利用所述卷积神经网络模块将所述样本图像转换为一维特征数据；
并行处理模块，用于对所述一维特征数据进行切分得到多个数据片段，并利用所述量子层模块中的多个量子线路并行处理所有所述数据片段；
预测模块，用于拼接所有所述量子线路的输出结果得到拼接向量，并利用所述分类层模块输出所述拼接向量对应的类别预测结果；
训练模块，用于根据所述类别预测结果和所述样本图像的类别标签计算损失函数值，并根据所述损失函数值更新所述卷积神经网络模块和所述量子层模块的网络参数，以便训练所述图像分类模型；
分类模块，用于若收到图像识别任务，则确定所述图像识别任务对应的未知图像，并利用训练后的所述图像分类模型输出所述未知图像的图像类别。
本申请还提供了一种存储介质，其上存储有计算机程序，所述计算机程序执行时实现上述图像分类方法执行的步骤。
本申请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，所述处理器调用所述存储器中的计算机程序时实现上述图像分类方法执行的步骤。
本申请提供了一种图像分类方法，应用于运行有图像分类模型的电子设备，所述图像分类模型包括卷积神经网络模块、量子层模块和分类层模块，所述图像分类方法包括：获取样本图像，并利用所述卷积神经网络模块将所述样本图像转换为一维特征数据；对所述一维特征数据进行切分得到多个数据片段，并利用所述量子层模块中的多个量子线路并行处理所有所述数据片段；拼接所有所述量子线路的输出结果得到拼接向量，并利用所述分类层模块输出所述拼接向量对应的类别预测结果；根据所述类别预测结果和所述样本图像的类别标签计算损失函数值，并根据所述损失函数值更新所述卷积神经网络模块和所述量子层模块的网络参数，以便训练所述图像分类模型；若收到图像识别任务，则确定所述图像识别任务对应的未知图像，并利用训练后的所述图像分类模型输出所述未知图像的图像类别。
本申请提供的图像分类方案基于卷积神经网络模块、量子层模块和分类层模块的图像分类模型实现。在训练图像分类模型的过程中，本申请利用卷积神经网络模块将样本图像转换为一维特征数据，将一维特征数据切分为多个数据片段后，进而利用量子层模块中的多个量子线路并行处理所有所述数据片段。在经过卷积神经网络模块、量子层模块和分类层模块依次处理后，本申请还利用根据类别预测结果和样本图像的类别标签计算损失函数值，并基于损失函数值更新卷积神经网络模块和量子层模块的网络参数，以便实现对图像分类模型的训练。本申请中的量子层模块采用多个并行的量子线路，降低了比特数和量子线路深度，通过上述方案训练得到的图像分类模型后，使用图像分类模型处理图像识别任务能够提高图像分类的效率和精度。本申请同时还提供了一种图像分类系统、一种存储介质和一种电子设备，具有上述有益效果，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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附图。
图1为本申请实施例所提供的一种图像分类方法的流程图；
图2为本申请实施例所提供的一种含参数量子线路设计图；
图3为本申请实施例所提供的一种基于全振幅测量的混合量子神经网络的图像分类方案的流程图；
图4为本申请实施例所提供的一种图像分类模型的结构示意图；
图5为本申请实施例所提供的一种量子线路模块并行化软件计算装置示意图；
图6为本申请实施例所提供的一种图像分类系统的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
下面请参见图1，图1为本申请实施例所提供的一种图像分类方法的流程图。
具体步骤可以包括：
S101：获取样本图像，并利用所述卷积神经网络模块将所述样本图像转换为一维特征数据；
其中，本实施例可以应用于运行有图像分类模型的电子设备，所述图像分类模型包括卷积神经网络模块、量子层模块和分类层模块。上述卷积神经网络模块、量子层模块和分类层模块可以设置于包括CPU（Central Processing Unit，中央处理器）和QPU（QuantumProcessing Unit，量子处理单元）的电子设备；例如，上述卷积神经网络模块和分类层模块可以设置于包括CPU的经典计算机，量子层模块可以设置于包括QPU的量子计算机，运行有图像分类模型的电子设备包括经典计算机和量子计算机。卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，可用来提取图像的非线性特征从而达到分类的目的。
上述图像分类模型可以为手写数字图像的分类模型，也可以为医疗影像图像的分类模型，此处不进行具体的限定。本实施例可以获取用于训练图像分类模型的样本图像，且该样本图像中已添加有类别标签，即图像的实际类别。
在得到样本图像之后，可以分批次将一定数量的样本图像输入图像分类模型的卷积神经网络模块，以使卷积神经网络模块将样本图像的像素信息矩阵转换为一维特征数据。
S102：对所述一维特征数据进行切分得到多个数据片段，并利用所述量子层模块中的多个量子线路并行处理所有所述数据片段；
其中，图像分类模型的量子层模块中包括多个并联的量子线路，即量子层模块又称量子线路并行模块。本步骤将一维特征数据进行切分得到多个数据片段，将所有数据片段分配至各个量子线路进行处理，以使多个量子线路并行处理所有数据片段。上述量子线路为含参数量子线路，由一系列含有可调参数的量子逻辑门序列操作的计算线路，其计算规则符合张量的指标升降和缩并。
作为一种可行的实施方式，本实施例可以将一维特征等分为多个长度相同的数据片段，该数据片段为一维数据，即一维特征数据的一部分。本实施例可以按照预设规则分配所有的数据片段，预设规则为：所有数据片段具备分配，同一数据片段仅被分配1次，任意两条量子线路中分配的数据片段的数量之差小于或等于预设值（如1或2）。
S103：拼接所有所述量子线路的输出结果得到拼接向量，并利用所述分类层模块输出所述拼接向量对应的类别预测结果；
其中，每一数据片段被量子线路处理后可以得到相应的输出结果，本申请可以将所有量子线路输出的所有数据片段对应的输出结果进行拼接得到拼接向量。在得到拼接向量后，可以将拼接向量输入图像分类模型的分类层模块，得到相应的类别预测结果。
作为一种可行的实施方式，本实施例可以确定每一所述数据片段在所述一维特征数据中的片段序号；按照所述片段序号将所有所述数据片段对应的所述量子线路的输出结果进行拼接，得到所述拼接向量。
S104：根据所述类别预测结果和所述样本图像的类别标签计算损失函数值，并根据所述损失函数值更新所述卷积神经网络模块和所述量子层模块的网络参数，以便训练所述图像分类模型；
在得到图像分类模型对样本图像的类别预测结果后，可以结合该样本图像的类别标签计算损失函数值，进而基于损失函数值更新卷积神经网络模块和所述量子层模块的网络参数，以实现对图像分类模型的训练。
本实施例可以对图像分类模型进行迭代训练，即循环执行S101~S104的操作，每次进入循环时可以确定新的样本图像。在迭代次数达到预设值或损失函数值达到预设值时，可以结束循环并判定图像分类模型训练完毕。所述量子层模块中的所有所述量子线路分别运行在多个量子计算机；相应的，在训练所述图像分类模型的过程中，还可以控制同一所述量子计算机中运行的所有所述量子线路共享训练参数，以提高训练效率。
S105：若收到图像识别任务，则确定所述图像识别任务对应的未知图像，并利用训练后的所述图像分类模型输出所述未知图像的图像类别。
其中，在图像分类模型训练完毕后，若接收到图像识别任务，则确定图像识别任务对应的未知图像，并将未知图像输入训练后的图像分类模型，以使图像分类模型输出未知图像的图像类别。
若图像分类模型为手写数字图像的分类模型，则输出的图像类别为未知图像中的手写数字内容，以便实现图文识别。若图像分类模型为医疗影像图像的分类模型，则输出的图像类别为未知图像中的医疗影像类型，以便实现医疗影像的精准分类。
本实施例提供的图像分类方案基于卷积神经网络模块、量子层模块和分类层模块的图像分类模型实现。在训练图像分类模型的过程中，本实施例利用卷积神经网络模块将样本图像转换为一维特征数据，将一维特征数据切分为多个数据片段后，进而利用量子层模块中的多个量子线路并行处理所有所述数据片段。在经过卷积神经网络模块、量子层模块和分类层模块依次处理后，本实施例还利用根据类别预测结果和样本图像的类别标签计算损失函数值，并基于损失函数值更新卷积神经网络模块和量子层模块的网络参数，以便实现对图像分类模型的训练。本实施例中的量子层模块采用多个并行的量子线路，降低了比特数和量子线路深度，通过上述方案训练得到的图像分类模型后，使用图像分类模型处理图像识别任务能够提高图像分类的效率和精度。
作为对于图1对应实施例的进一步介绍，上述卷积神经网络模块中可以包括依次连接的卷积层、激活函数ReLU、池化层和线性层，上述线性层即归一化操作处理以及隐藏线性连接层。卷积神经网络模块可根据数据集中分类图像任务的难度系数进行特性化的经典卷积神经网络的设计，进而构建复杂图像分类所需的卷积神经网络。
相应的，卷积神经网络模块对样本图像进行处理的过程如下：利用卷积层对所述样本图像进行特征提取，利用所述池化层对所述卷积层的输出结果进行最大池化操作，得到图像特征信息；利用所述线性层对所述图像特征信息进行维度变换和线性组合，得到长度为预设值的所述一维特征数据。
进一步的，由于卷积层需要对样本图像的像素信息矩阵进行处理，若像素信息矩阵的尺寸不符合卷积层的最适宜处理尺寸，则可以在像素信息矩阵的边缘填充数值为0的元素。其中一种可行的处理方式如下：确定所述样本图像对应的像素信息矩阵；若所述像素信息矩阵的行数和/或列数不为2的整数次幂，则对所述像素信息矩阵的边缘填充数值为0的元素，得到新的像素信息矩阵；其中，所述新的像素信息矩阵行数和列数均2的整数次幂；利用卷积层对所述新的像素信息矩阵进行特征提取。
以手写数字识别为例，举例说明上述过程：
将图像集合中的样本图像按照批量打包进行归一化预处理，每一批样本图像的样本数目大小可以设置为：1、32、64和128等。每一张样本图像的输入数据信息包含大小为n×n的矩阵的像素值以及该图片长度为1的分类标识（即，类别标签）。本实施例中所有图例里标注的具体数字都是以MNIST（Mixed National Institute of Standards andTechnology database，一种手写数字识别数据集）的示例，训练样本集合包含手写数字0-9共10种分类，每一张数字图像的像素信息矩阵大小为28×28，每一个批处理中的样本数目为64。MNIST数据集是一个用来训练各种图像处理系统，从0到9手写数字的二进制图像数据集，含有6万张样本图像的训练集和1万张样本图像的测试集。
本实施例可以将样本图像的数据流输入到卷积神经网络模块进行处理。卷积神经网络模块中主要包括卷积层、池化层、激活函数ReLU和线性层。因为完成更复杂的图像分类所需的卷积神经网络相对要复杂，卷积神经网络模块可根据数据集中分类图像任务的难度系数进行特性化的经典卷积神经网络的设计。样本图像经过卷积层和池化层后，原始大小为n×n的像素信息矩阵会被拉长，最终变成长度为m（m<n×n）的一维特征数据输出到下一层模块，即量子层模块。
具体的，用于识别手写数字集合设计的卷积神经网络模块的实现过程如下：
对于输入大小为28×28的样本图像的像素信息矩阵，经过边缘填充圈数为2的填充（填充的数字为0）之后，像素信息矩阵变为32×32。本实施例使用选取的卷积层的特征个数为20，每个卷积核大小为5×5，步长为1。卷积核的作用是提取原始图像的局部特征，经过卷积层作用后的矩阵大小为20×28×28。每一个卷积核都是一个关于样本图像方块矩阵的含训练参数的线性组合y=wTx+b，其中x是被填充后的样本图像的小方块矩阵，wT是卷积核中的待训练的权重参数，b是卷积核中每个神经元内部的偏置参数，y为卷积层的输出结果。
为了模仿生命体中的神经元的工作性质，当神经元内输入信号超过一定的阈值，信号才会被传递到下一层。激活函数ReLU的表达式如下：
；
为了减少卷积层中的训练参数数目，又最大化保留样本图像中的特征信息，本实施例使用池化层挑选出矩阵中具有代表性的信息，进而使上述信息有效参与到下一层神经网络的训练。本实施例中使用最大池化层方法，即只保留池化层为2×2矩阵中的最大值。经过含有ReLU激活函数的卷积层作用之后，矩阵大小为20×28×28，在经过步长为2的最大池化层后，矩阵大小变为20×14×14，矩阵大小是经过卷积层时的1/4。
在经过卷积层和池化层的处理后，每张样本图像的特征信息被提取到长、宽、高为（20,14,14）的高阶矩阵。线性层可以不改变高阶矩阵总元素的长度，将其拉直成一维长度为3920的向量。为了进一步减少训练参数的复杂度，将长度为3920的向量经过线性组合方式缩短到长度为30的向量，即得到长度为固定值的一维特征数据。线性层最终输出的一维特征数据是量子层模块的输入数据，因而在做算法设计时，一维特征数据的大小可以根据现有量子计算机硬件的可计算比特数目和可使用的量子计算机设备数量确定。
作为对于图1对应实施例的进一步介绍，在对一维特征数据进行切分得到多个数据片段之后，可以将所有所述数据片段按照预设比例分配至多个所述量子线路；控制每一所述量子线路对被分配的所述数据片段进行处理。
其中，每一所述量子线路均包括数据编码层、纠缠层和测量层，其中，所述纠缠层包括参数化的单比特任意旋转门和全连通的相邻两比特之间的控制非门。量子线路对每一数据片段进行处理的过程如下：利用所述数据编码层将被分配的所述数据片段进行单比特旋转门的相位编码操作，得到编码后的量子态；利用所述纠缠层对所述编码后的量子态进行处理得到含训练参数的纠缠量子态；利用所述测量层对预设数量（预设数量可以少于纠缠量子态的总数量）个所述含训练参数的纠缠量子态进行全振幅测量得到单比特的泡利矩阵平均值；其中，所述全振幅测量为分别沿着泡利X矩阵方向、泡利Y矩阵方向和泡利Z矩阵方向测量量子态投影值的操作，即对X、Y、Z三个方向测量量子态投影值的操作。泡利矩阵是用来描述二能级量子态系统的数学矩阵，具有以下性质：1）与自身相乘得到是单位矩阵，2）泡利矩阵与单位矩阵相乘的结果是泡利矩阵本身。最基本的泡利矩阵有单比特泡利X矩阵、泡利Y矩阵和泡利Z矩阵。
以手写数字识别为例，举例说明上述过程：
本实施例可以将经过卷积神经网络模块进行处理得到长度m为30的一维特征数据输入到量子层模块。为了适配含噪声中小型量子计算机设备的实验精度，要求量子算法中量子线路使用的量子比特数目要尽可能少，以及量子门电路的深度要浅，才能保证得到相对可靠的量子实验结果。为了提高量子计算的运算效率并且充分利用现有的量子计算资源，可以采取“分而治之”思想，先将大块的一维特征数据切分为若干数据片段，利用量子计算机并行处理彼此独立的数据片段；上述并行处理数据片段的过程可在同一个量子硬件设备的不同连通构型比特区域进行，即实现同一个量子算计节点之内的并行处理；上述并行处理数据片段的过程亦可在不同的量子硬件设备比特的连通区域进行，即实现不同量子计算机（即，量子节点）之间的分布式并行处理。通过上述过程，每条独立的量子线路将测量得到的结果依次返回电子计算设备，组合构成分类层模块的全连接层的输入。
具体地，每一个独立的量子线路分为三部分：数据编码层、纠缠层和测量层（即局域全振幅测量层）。
以存在3条量子线路为例，卷积神经网络模块的线性层输出长度为30的一维特征数据，依次按照向量标记索引位置0~9，10~19，20~29均等分配给3条量子线路。每个独立的量子电路将收到线性层输出的部分长度的数据片段。由数据片段的数据量较少，数据编码层的加载方式可直接选取单比特旋转门的相位编码法，比如绕x-轴的旋转门，其中对应于分配到该量子线路中单个比特的单个经典数据。上述量子单比特旋转门的相位编码法是一种通过将经典数据加载到调控量子态的单比特旋转门幅角上的编码方式。
经过数据编码层的处理后，经典数据信息已被加载到量子态中。本实施例中纠缠层的设计包含参数化的单比特任意旋转门和全连通的相邻两比特之间的控制非门（CNOT门），通过上述方式可以使用较浅的量子电路门操作深度达到了比特所在空间的全局纠缠性。上述单比特任意旋转门/>中的/>和/>分别代表绕着不同旋转轴的旋转角度，/>表示量子态的全局相位。为了节省训练时的参数量，不同量子线路之间可以共享同一套训练参数。
纠缠层处理后，量子线路中的比特呈现出高度纠缠状态，测量层选取的是量子电路纠缠态在某几个比特的子空间沿着泡利X，Y以及Z矩阵方向的投影，多次测量可返回单比特的泡利矩阵的平均值，/>表示单比特的序号，/>=0,1,2……。请参见图2，图2为本申请实施例所提供的一种含参数量子线路设计图，图2中例如选取的子空间是量子线路中标记为0号和1号比特，每一个量子线路会返回长度为6的向量：/>。图中/>~/>表示量子比特，/>~/>表示x轴旋转门，/>~/>表示单比特任意旋转门。
进一步的，分类层模块可以接收量子层模块中各个量子线路的测量值，依次连接组成一个长度为18的拼接向量。后由长度为18的拼接向量线性连接长度为10的向量分类层，采取归一化指数函数Softmax输出分别属于10个种类的概率。输出最大概率值的索引下标即对应于该样本的具体分类。
下面通过在实际应用中的实施例说明上述实施例描述的流程。
在当前人工智能大数据时代，基于传统算力的硬件及算法已不能满足人类生活和社会生产活动中产生海量数据处理和分析需求。而基于量子力学叠加态原理以及量子态纠缠特性的量子计算机在理论上可以提供指数级数据并行处理能力及存储能力，且执行速度快。然而另一方面，由于量子计算机制备的量子态很容易受到环境噪音的扰动，目前量子计算机硬件还处在起跑阶段，未能完全取代经典计算机，故为适应当下量子计算机硬件条件，寻求量子与经典计算结合的算法应用十分必要。特别地，传统神经网络机器学习已在图像分类领域取得了瞩目的成就，且已成功落地。在量子机器学习这个全新的领域中，研究混合量子神经网络在图片分类中的算法应用是一个极具价值和前景的方向。
请参见图3，图3为本申请实施例所提供的一种基于全振幅测量的混合量子神经网络的图像分类方案的流程图。在开始后，将迭代次数epoch设置为1，输入图片训练数据集并进行预处理，将图片训练数据集中的样本图像依次进行卷积神经网络模块、量子层模块和分类层模块的处理。将迭代次数epoch设置为+1后，判断迭代次数epoch是否大于或等于100，若是则结束训练并输出模型，若否则计算神经网络中的误差，求误差梯度并更新权值。训练混合量子神经网络的过程包括前向传播过程和反向传播过程。
本实施例提供了一种基于全振幅测量的混合量子神经网络的图像分类方案，可以包括如下步骤：
步骤1：将图像集合中的样本图像按照批量打包进行归一化预处理。
本步骤可以基于图像数据加载模块实现，图像数据加载模块通过标准化处理所要分类的图像集合，确定每一批图像样本的数目，分批次打包数据样本。
步骤2：将当前批次的样本图像输入卷积神经网络模块，得到一维特征数据。
步骤3：对一维特征数据进行切分得到多个数据片段，将数据片段输入到量子层模块的多条量子线路进行计算。
量子层模块可以实现大块数据在不同量子计算机节点或在同一量子计算机不同比特处理器区域的分快并行结构化设计。量子层模块的量子输出层可以采取局域全振幅测量方法。
本实施例采取了将大数据切分为数据片段的思路，可以在量子计算机之间或量子计算机之内的并行处理数据片段。量子线路数据加载方式是直接幅角编码；量子线路层中的参数可根据训练需求，设定为同一量子计算机之内的区域共享而不同量子计算机之间不共享；量子测量层选取的是局域比特全振幅测量方式，可以根据量子层输入数据的维度自主地设置所选测量比特位点。
步骤4：将多条量子线路的输出结果进行拼接得到拼接向量，使用分类层模块输出拼接向量对应的类别预测结果。
其中，分类层模块即全连接层分类模块，用于定义损失函数迭代优化训练网络参数。
步骤5：在每一轮训练中，基于类别预测结果和类别标签计算得到的批次平均交叉熵函数，其中/>是每一轮训练数据中的批处理图像的大小，/>是每一轮训练中批处理中第/>个图像样本的真实分类标签，/>是通过混合量子神经网络预测得到的该图像样本属于真实标签的概率。从理论分析，交叉熵越接近于0，则混合神经网络预测准确性越高。根据交叉熵进行轮次迭代，返回步骤1输入下一轮的批处理图像样本，并逐步更新混合量子神经网络中的参数，这里选取向后传播迭代参数。在此步骤中，计算损失函数相对于神经网络中每个参数（权重和偏差）的梯度。这是通过使用链式法则来沿着网络中的每个连接向后传播误差进行的。误差信号从输出层逐渐传播回输入层。更新参数返回输入层后，输入新一批次的训练图像，重复步骤2-4中的混合量子神经网络（即图像分类模型）得到新一轮交叉熵，直至达到程序所设定的最大轮次数且交叉熵数值下降并收敛到一个极小值，程序结束，最后保存混合量子神经网络中所有参数值。
步骤6：录入与训练数据集相互独立的测试数据集，初始化与训练数据集等同的混合量子神经网络模型，将步骤5中得到的训练参数值代入模型中，得到该输入图像最大预测概率值对应的分类，将预测分类与真实分类进行比较，二者相同则图像分类正确，反之则错误。遍历测试数据集中的所有样本，记录预测正确的样本个数，除以总的测试样本总量即是该模型预测样本的正确率。通过上述方案，对于预测MNIST数据集大小为10000的测试样本，其正确率为98.50%，平均交叉熵为0.0077，高于相关技术中提到的分类正确率94.1%。
请参见图4，图4为本申请实施例所提供的一种图像分类模型的结构示意图，图像分类模型包括输入层模块、卷积神经网络模块、量子层模块和分类层模块。在卷积神经网络模块中，输入图片后可以进行卷积层的二维卷积操作、最大池化操作、线性层的处理。卷积神经网络模块的输出结果进入卷积神经网络模块后，使用量子线路（1）、量子线路（2）和量子线路（3）进行处理，图4中的数字1×28×28、20×28×28、20×14×14、3920、30、10、6、18和10表示特征的尺寸。
本实施例中卷积神经网络模块可拥有相对少的卷积层以及线性层。本实施例的量子层模块，充分考虑了当下量子计算机硬件特性：1）基于目前量子计算设备的比特数目，提出了数据拆分，采取多设备小比特数目的量子线路并行处理计算的方法。此种方法既可有效减缓由于线路比特数目过多，门电路操作过深而引起的量子态的退相干因素影响，从而减小最终实验测量数据的误差，亦可提高量子计算设备资源的利用率；2）基于量子态纠缠的特性以及量子测量的实验手段，选取少数几个单比特的全振幅空间做采样测量，优点是在保证整体纠缠态在子空间的尽可能多的投影信息的同时，又可有效避免多比特同时读取测量串线信号干扰带来的读取误差。
本实施例中卷积神经网络模块和分类层模块运行于经典计算机，量子层模块运行于量子计算机，请参见图5，图5为本申请实施例所提供的一种量子线路模块并行化软件计算装置示意图，图中示出了样本图像在经典计算机的卷积神经网络模块处理后，向量子计算机输入数据，由量子计算机中量子层模块的量子线路1~n处理后将处理结果返回至经典计算机的分类层模块。
本实施例可应用于MNIST手写数字集的分类，也可移植到其他图像数据集。本实施例在卷积神经网络模块中，使用并行化的参数共享的量子线路层，不仅极大地提高了处理数据的能力和效率，而且极大地减少了训练所需要的参数。本实施例将大块数据切分成小块进而“分而治之”的思想对于含噪音中等规模量子计算机时代有着重要的意义，既解决了现时数据对超大规模比特数目的需求痛点，又有效地减少了超大规模比特数目量子线路的深度。量子层模块采取局域全振幅测量的值作为输出，这一点也说明全局纠缠态的信息是可以被训练参数刻画后有效投影压缩到它的一个子空间，进而也证明量子线路层是一个高度纠缠的网络。相比较于只测量比特的一个方向的投影，局域全振幅测量在保证精确度的前提下，本实施例可以有效地降低了量子线路输出层数据的维度。从量子硬件读取角度来说，本实施例读取局域比特操作比读取全部比特有着更小的读取误差，具体体现在读取次数变少以及同时需读取比特位点减少。
请参见图6，图6为本申请实施例所提供的一种图像分类系统的结构示意图，该系统可以应用于运行有图像分类模型的电子设备，所述图像分类模型包括卷积神经网络模块、量子层模块和分类层模块，所述图像分类系统包括：
特征提取模块601，用于获取样本图像，并利用所述卷积神经网络模块将所述样本图像转换为一维特征数据；
并行处理模块602，用于对所述一维特征数据进行切分得到多个数据片段，并利用所述量子层模块中的多个量子线路并行处理所有所述数据片段；
预测模块603，用于拼接所有所述量子线路的输出结果得到拼接向量，并利用所述分类层模块输出所述拼接向量对应的类别预测结果；
训练模块604，用于根据所述类别预测结果和所述样本图像的类别标签计算损失函数值，并根据所述损失函数值更新所述卷积神经网络模块和所述量子层模块的网络参数，以便训练所述图像分类模型；
分类模块605，用于若收到图像识别任务，则确定所述图像识别任务对应的未知图像，并利用训练后的所述图像分类模型输出所述未知图像的图像类别。
本实施例提供的图像分类方案基于卷积神经网络模块、量子层模块和分类层模块的图像分类模型实现。在训练图像分类模型的过程中，本实施例利用卷积神经网络模块将样本图像转换为一维特征数据，将一维特征数据切分为多个数据片段后，进而利用量子层模块中的多个量子线路并行处理所有所述数据片段。在经过卷积神经网络模块、量子层模块和分类层模块依次处理后，本实施例还利用根据类别预测结果和样本图像的类别标签计算损失函数值，并基于损失函数值更新卷积神经网络模块和量子层模块的网络参数，以便实现对图像分类模型的训练。本实施例中的量子层模块采用多个并行的量子线路，降低了比特数和量子线路深度，通过上述方案训练得到的图像分类模型后，使用图像分类模型处理图像识别任务能够提高图像分类的效率和精度。
进一步的，所述卷积神经网络模块包括卷积层、池化层和线性层；
相应的，特征提取模块601利用所述卷积神经网络模块将所述样本图像转换为一维特征数据的过程包括：利用卷积层对所述样本图像进行特征提取，利用所述池化层对所述卷积层的输出结果进行最大池化操作，得到图像特征信息；利用所述线性层对所述图像特征信息进行维度变换和线性组合，得到长度为预设值的所述一维特征数据。
进一步的，特征提取模块601利用卷积层对所述样本图像进行特征提取的过程包括：确定所述样本图像对应的像素信息矩阵；若所述像素信息矩阵的行数和/或列数不为2的整数次幂，则对所述像素信息矩阵的边缘填充数值为0的元素，得到新的像素信息矩阵；其中，所述新的像素信息矩阵行数和列数均2的整数次幂；利用卷积层对所述新的像素信息矩阵进行特征提取。
进一步的，并行处理模块602利用所述量子层模块中的多个量子线路并行处理所有所述数据片段的过程包括：将所有所述数据片段按照预设比例分配至多个所述量子线路；控制每一所述量子线路对被分配的所述数据片段进行处理；其中，每一所述量子线路均包括数据编码层、纠缠层和测量层。
进一步的，并行处理模块602控制每一所述量子线路对被分配的所述数据片段进行处理的过程包括：利用所述数据编码层将被分配的所述数据片段进行单比特旋转门的相位编码操作，得到编码后的量子态；利用所述纠缠层对所述编码后的量子态进行处理得到含训练参数的纠缠量子态；其中，所述纠缠层包括参数化的单比特任意旋转门和全连通的相邻两比特之间的控制非门；利用所述测量层对预设数量个所述含训练参数的纠缠量子态进行全振幅测量得到单比特的泡利矩阵平均值；其中，所述全振幅测量为分别沿着泡利X矩阵方向、泡利Y矩阵方向和泡利Z矩阵方向测量量子态投影值的操作。
进一步的，所述量子层模块中的所有所述量子线路分别运行在多个量子计算机；
相应的，还包括：
参数共享模块，用于在训练所述图像分类模型的过程中，控制同一所述量子计算机中运行的所有所述量子线路共享训练参数。
进一步的，预测模块603拼接所有所述量子线路的输出结果得到拼接向量的过程包括：确定每一所述数据片段在所述一维特征数据中的片段序号；按照所述片段序号将所有所述数据片段对应的所述量子线路的输出结果进行拼接，得到所述拼接向量。
由于系统部分的实施例与方法部分的实施例相互对应，因此系统部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
本申请还提供了一种存储介质，其上存有计算机程序，该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：U盘、移动硬盘、只读存储器（Read-Only Memory ，ROM）、随机存取存储器（Random Access Memory ，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
本申请还提供了一种电子设备，可以包括存储器和处理器，所述存储器中存有计算机程序，所述处理器调用所述存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然所述电子设备还可以包括各种网络接口，电源等组件。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如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。在没有更多限制的状况下，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。

Claims (10)

1.一种图像分类方法，其特征在于，应用于运行有图像分类模型的电子设备，所述图像分类模型包括卷积神经网络模块、量子层模块和分类层模块，所述图像分类方法包括：
获取样本图像，并利用所述卷积神经网络模块将所述样本图像转换为一维特征数据；
对所述一维特征数据进行切分得到多个数据片段，并利用所述量子层模块中的多个量子线路并行处理所有所述数据片段；
拼接所有所述量子线路的输出结果得到拼接向量，并利用所述分类层模块输出所述拼接向量对应的类别预测结果；
根据所述类别预测结果和所述样本图像的类别标签计算损失函数值，并根据所述损失函数值更新所述卷积神经网络模块和所述量子层模块的网络参数，以便训练所述图像分类模型；
若收到图像识别任务，则确定所述图像识别任务对应的未知图像，并利用训练后的所述图像分类模型输出所述未知图像的图像类别。
2.根据权利要求1所述图像分类方法，其特征在于，所述卷积神经网络模块包括卷积层、池化层和线性层；
相应的，利用所述卷积神经网络模块将所述样本图像转换为一维特征数据，包括：
利用所述卷积层对所述样本图像进行特征提取，利用所述池化层对所述卷积层的输出结果进行最大池化操作，得到图像特征信息；
利用所述线性层对所述图像特征信息进行维度变换和线性组合，得到长度为预设值的所述一维特征数据。
3.根据权利要求2所述图像分类方法，其特征在于，所述利用卷积层对所述样本图像进行特征提取，包括：
确定所述样本图像对应的像素信息矩阵；
若所述像素信息矩阵的行数和/或列数不为2的整数次幂，则对所述像素信息矩阵的边缘填充数值为0的元素，得到新的像素信息矩阵；其中，所述新的像素信息矩阵行数和列数均2的整数次幂；
利用所述卷积层对所述新的像素信息矩阵进行特征提取。
4.根据权利要求1所述图像分类方法，其特征在于，利用所述量子层模块中的多个量子线路并行处理所有所述数据片段，包括：
将所有所述数据片段按照预设比例分配至多个所述量子线路；
控制每一所述量子线路对被分配的所述数据片段进行处理；其中，每一所述量子线路均包括数据编码层、纠缠层和测量层。
5.根据权利要求4所述图像分类方法，其特征在于，控制每一所述量子线路对被分配的所述数据片段进行处理，包括：
利用所述数据编码层将被分配的所述数据片段进行单比特旋转门的相位编码操作，得到编码后的量子态；
利用所述纠缠层对所述编码后的量子态进行处理得到含训练参数的纠缠量子态；其中，所述纠缠层包括参数化的单比特任意旋转门和全连通的相邻两比特之间的控制非门；
利用所述测量层对预设数量个所述含训练参数的纠缠量子态进行全振幅测量得到单比特的泡利矩阵平均值；其中，所述全振幅测量为分别沿着泡利X矩阵方向、泡利Y矩阵方向和泡利Z矩阵方向测量量子态投影值的操作。
6.根据权利要求1所述图像分类方法，其特征在于，所述量子层模块中的所有所述量子线路分别运行在多个量子计算机；
相应的，在训练所述图像分类模型的过程中，还包括：
控制同一所述量子计算机中运行的所有所述量子线路共享训练参数。
7.根据权利要求1至6任一项所述图像分类方法，其特征在于，拼接所有所述量子线路的输出结果得到拼接向量，包括：
确定每一所述数据片段在所述一维特征数据中的片段序号；
按照所述片段序号将所有所述数据片段对应的所述量子线路的输出结果进行拼接，得到所述拼接向量。
8.一种图像分类系统，其特征在于，应用于运行有图像分类模型的电子设备，所述图像分类模型包括卷积神经网络模块、量子层模块和分类层模块，所述图像分类系统包括：
特征提取模块，用于获取样本图像，并利用所述卷积神经网络模块将所述样本图像转换为一维特征数据；
并行处理模块，用于对所述一维特征数据进行切分得到多个数据片段，并利用所述量子层模块中的多个量子线路并行处理所有所述数据片段；
预测模块，用于拼接所有所述量子线路的输出结果得到拼接向量，并利用所述分类层模块输出所述拼接向量对应的类别预测结果；
训练模块，用于根据所述类别预测结果和所述样本图像的类别标签计算损失函数值，并根据所述损失函数值更新所述卷积神经网络模块和所述量子层模块的网络参数，以便训练所述图像分类模型；
分类模块，用于若收到图像识别任务，则确定所述图像识别任务对应的未知图像，并利用训练后的所述图像分类模型输出所述未知图像的图像类别。
9.一种电子设备，其特征在于，包括：
存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如权利要求1至7任一项所述图像分类方法的步骤。
10.一种存储介质，其特征在于，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如权利要求1至7任一项所述图像分类方法的步骤。
CN202311756374.1A 2023-12-20 2023-12-20 一种图像分类方法、系统、电子设备及存储介质 Active CN117437494B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311756374.1A CN117437494B (zh) 2023-12-20 2023-12-20 一种图像分类方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311756374.1A CN117437494B (zh) 2023-12-20 2023-12-20 一种图像分类方法、系统、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN117437494A true CN117437494A (zh) 2024-01-23
CN117437494B CN117437494B (zh) 2024-04-16

Family

ID=89553844

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311756374.1A Active CN117437494B (zh) 2023-12-20 2023-12-20 一种图像分类方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN117437494B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
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
CN117710761A (zh) * 2024-02-06 2024-03-15 中国科学院深圳先进技术研究院 基于量子卷积神经网络的磁共振影像分类方法、装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN115630690A (zh) * 2022-12-21 2023-01-20 量子科技长三角产业创新中心 一种用于量子神经网络结构优化的抽样方法及相关装置
CN116403657A (zh) * 2023-03-20 2023-07-07 本源量子计算科技（合肥）股份有限公司 一种药物反应预测方法、装置、存储介质及电子装置
CN116403019A (zh) * 2023-01-05 2023-07-07 中国电子科技集团公司第十五研究所 遥感图像量子识别方法、装置、存储介质及电子装置
CN116664931A (zh) * 2023-05-29 2023-08-29 重庆师范大学 基于量子向经典迁移学习的膝骨关节炎分级方法
WO2023207531A1 (zh) * 2022-04-29 2023-11-02 华为技术有限公司 一种图像处理方法及相关设备
CN117237715A (zh) * 2023-09-15 2023-12-15 郑州大学 一种基于多分支混合量子经典神经网络的图像多分类方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2023207531A1 (zh) * 2022-04-29 2023-11-02 华为技术有限公司 一种图像处理方法及相关设备
CN115630690A (zh) * 2022-12-21 2023-01-20 量子科技长三角产业创新中心 一种用于量子神经网络结构优化的抽样方法及相关装置
CN116403019A (zh) * 2023-01-05 2023-07-07 中国电子科技集团公司第十五研究所 遥感图像量子识别方法、装置、存储介质及电子装置
CN116403657A (zh) * 2023-03-20 2023-07-07 本源量子计算科技（合肥）股份有限公司 一种药物反应预测方法、装置、存储介质及电子装置
CN116664931A (zh) * 2023-05-29 2023-08-29 重庆师范大学 基于量子向经典迁移学习的膝骨关节炎分级方法
CN117237715A (zh) * 2023-09-15 2023-12-15 郑州大学 一种基于多分支混合量子经典神经网络的图像多分类方法

Cited By (3)

* Cited by examiner, † Cited by third party
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
CN117710761A (zh) * 2024-02-06 2024-03-15 中国科学院深圳先进技术研究院 基于量子卷积神经网络的磁共振影像分类方法、装置

Also Published As

Publication number Publication date
CN117437494B (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
US20230186476A1 (en) Object detection and instance segmentation of 3d point clouds based on deep learning
CN117437494B (zh) 一种图像分类方法、系统、电子设备及存储介质
CN113361664B (zh) 一种基于量子卷积神经网络的图像识别系统及方法
Sun et al. Automatically evolving cnn architectures based on blocks
Khan et al. A new channel boosted convolutional neural network using transfer learning
WO2022179533A1 (zh) 一种量子卷积操作器
CN111582136B (zh) 表情识别方法及装置、电子设备、存储介质
KR102450409B1 (ko) 의료 영상 기반의 세그먼테이션 방법
CN114792378A (zh) 一种量子图像识别方法及装置
CN112446888A (zh) 图像分割模型的处理方法和处理装置
CN115759237A (zh) 端到端的深度神经网络模型压缩及异构转换系统及方法
KR20220099409A (ko) 딥러닝 모델을 사용한 분류 방법
CN114766024A (zh) 用于修剪神经网络的方法和设备
Bi et al. Critical direction projection networks for few-shot learning
Kashyap et al. Quantum Convolutional Neural Network Architecture for Multi-Class Classification
Heller et al. Grafting heterogeneous neural networks for a hierarchical object classification
KR20220120427A (ko) 객체 추적 방법 및 장치
Zhong et al. Structure learning of deep networks via dna computing algorithm
Jaiswal et al. Effectively Diagnosing Malaria by Optimizing the Hyperparameters of CNN using Genetic Algorithm on the Multi core GPU
CN117933345B (zh) 一种医学图像分割模型的训练方法
KR102556235B1 (ko) 컨텐츠 기반 영상 검색 방법 및 장치
CN113780518B (zh) 网络架构优化方法、终端设备及计算机可读存储介质
CN117669753B (zh) 量子模型训练方法、多模态数据处理方法及装置
KR102430484B1 (ko) 인공지능 기반의 반도체 설계 방법
KR102437285B1 (ko) 모호한 라벨을 이용한 객체 예측 모델 학습 방법

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