論文の概要: Qutrit-inspired Fully Self-supervised Shallow Quantum Learning Network
for Brain Tumor Segmentation
- arxiv url: http://arxiv.org/abs/2009.06767v1
- Date: Mon, 14 Sep 2020 22:15:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 13:01:12.245461
- Title: Qutrit-inspired Fully Self-supervised Shallow Quantum Learning Network
for Brain Tumor Segmentation
- Title（参考訳）: qutrit-inspired complete self-supervised shallow quantum learning network for brain tumor segmentation
- Authors: Debanjan Konar, Siddhartha Bhattacharyya, Bijaya K. Panigrahi, and
Elizabeth Behrman
- Abstract要約: 量子ビットまたはバイレベル量子ビットは、しばしば量子ニューラルネットワークモデルを記述する。
本稿では,脳MR画像の自動分割のための,自己教師付き浅層学習ネットワークモデルを提案する。
その結果,ヒトの介入や計算資源を最小限に抑えることで,腫瘍検出に有望なセグメンテーション結果が得られた。
- 参考スコア（独自算出の注目度）: 7.173859338960338
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Classical self-supervised networks suffer from convergence problems and
reduced segmentation accuracy due to forceful termination. Qubits or bi-level
quantum bits often describe quantum neural network models. In this article, a
novel self-supervised shallow learning network model exploiting the
sophisticated three-level qutrit-inspired quantum information system referred
to as Quantum Fully Self-Supervised Neural Network (QFS-Net) is presented for
automated segmentation of brain MR images. The QFS-Net model comprises a
trinity of a layered structure of qutrits inter-connected through parametric
Hadamard gates using an 8-connected second-order neighborhood-based topology.
The non-linear transformation of the qutrit states allows the underlying
quantum neural network model to encode the quantum states, thereby enabling a
faster self-organized counter-propagation of these states between the layers
without supervision. The suggested QFS-Net model is tailored and extensively
validated on Cancer Imaging Archive (TCIA) data set collected from Nature
repository and also compared with state of the art supervised (U-Net and
URes-Net architectures) and the self-supervised QIS-Net model. Results shed
promising segmented outcome in detecting tumors in terms of dice similarity and
accuracy with minimum human intervention and computational resources.
- Abstract（参考訳）: 古典的自己教師付きネットワークは収束問題に苦しめられ、強制終了によるセグメンテーション精度が低下した。
量子ビットや2レベル量子ビットはしばしば量子ニューラルネットワークモデルを記述する。
本稿では,脳MR画像の自動セグメンテーションのために,量子完全自己スーパーバイザニューラルネットワーク(QFS-Net)と呼ばれる高度な3段階量子情報システムを利用した,自己教師付き浅層学習ネットワークモデルを提案する。
QFS-Netモデルは、8次近傍トポロジーを用いてパラメトリックアダマール門を介して接続されたクォートリットの層構造をトリニティとして構成する。
クォート状態の非線形変換により、基礎となる量子ニューラルネットワークモデルが量子状態のエンコードが可能となり、これらの状態のより高速な自己組織化逆伝播が可能となる。
提案したQFS-Netモデルは,Natureレポジトリから収集した癌画像アーカイブ(TCIA)データセットに基づいて調整し,広範囲に検証すると共に,美術監督(U-NetおよびURes-Netアーキテクチャ)と自己監督型QIS-Netモデルと比較する。
その結果,ヒトの介入や計算資源を最小限に抑えることで,腫瘍検出に有望なセグメンテーション結果が得られた。
関連論文リスト
- CTRQNets & LQNets: Continuous Time Recurrent and Liquid Quantum Neural Networks [76.53016529061821]
Liquid Quantum Neural Network (LQNet) とContinuous Time Recurrent Quantum Neural Network (CTRQNet) を開発した。
LQNetとCTRQNetは、バイナリ分類によってCIFAR 10で40%の精度向上を実現している。
論文 参考訳（メタデータ） (2024-08-28T00:56:03Z) - Pediatric TSC-Related Epilepsy Classification from Clinical MR Images Using Quantum Neural Network [17.788579893962492]
本研究では,従来の畳み込みニューラルネットワークと量子ニューラルネットワークをシームレスに統合した新しいディープラーニングモデルQResNetを紹介する。
TSCMRI画像分類において,従来の3D-ResNetモデルと比較してQResNetの優れた性能を示す。
論文 参考訳（メタデータ） (2024-08-08T14:11:06Z) - Coherent Feed Forward Quantum Neural Network [2.1178416840822027]
量子ニューラルネットワーク(QNN)に焦点をあてた量子機械学習は、いまだに膨大な研究分野である。
適応可能な中間層とノードの観点から,従来のFFNNの汎用性とシームレスに整合するボナフェイドQNNモデルを提案する。
本研究では,診断乳がん(Wisconsin)やクレジットカード不正検出データセットなど,さまざまなベンチマークデータセットを用いて提案モデルを検証した。
論文 参考訳（メタデータ） (2024-02-01T15:13:26Z) - ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。
ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。
量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
論文 参考訳（メタデータ） (2023-08-22T09:11:53Z) - QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional
Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。
現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。
我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文 参考訳（メタデータ） (2022-11-09T21:43:16Z) - QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。
短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
論文 参考訳（メタデータ） (2022-07-14T12:22:51Z) - Quantum Self-Attention Neural Networks for Text Classification [8.975913540662441]
量子自己アテンションニューラルネットワーク(QSANN)と呼ばれる,新しいシンプルなネットワークアーキテクチャを提案する。
本稿では,量子ニューラルネットワークに自己アテンション機構を導入し,ガウス射影量子自己アテンションを自己アテンションの有感な量子バージョンとして活用する。
提案手法は低レベル量子雑音に対するロバスト性を示し,量子ニューラルネットワークアーキテクチャに対するレジリエンスを示す。
論文 参考訳（メタデータ） (2022-05-11T16:50:46Z) - Quantum-inspired Complex Convolutional Neural Networks [17.65730040410185]
我々は、より豊かな表現能力とより良い非線形性を持つ複素数値重みを利用することにより、量子刺激ニューロンを改善した。
我々は、高次元データを処理できる量子インスパイアされた畳み込みニューラルネットワーク(QICNN)のモデルを描く。
5つのQICNNの分類精度をMNISTとCIFAR-10データセットで検証した。
論文 参考訳（メタデータ） (2021-10-31T03:10:48Z) - Decentralizing Feature Extraction with Quantum Convolutional Neural
Network for Automatic Speech Recognition [101.69873988328808]
特徴抽出のための量子回路エンコーダからなる量子畳み込みニューラルネットワーク(QCNN)を構築した。
入力音声はまず、Mel-spectrogramを抽出するために量子コンピューティングサーバにアップストリームされる。
対応する畳み込み特徴は、ランダムパラメータを持つ量子回路アルゴリズムを用いて符号化される。
符号化された機能は、最終認識のためにローカルRNNモデルにダウンストリームされる。
論文 参考訳（メタデータ） (2020-10-26T03:36:01Z) - Quantum State Tomography with Conditional Generative Adversarial
Networks [0.7646713951724009]
量子状態トモグラフィー(QST)に条件付き生成逆数ネットワーク(CGAN)を適用する。
CGANフレームワークでは、2つのデュエルニューラルネットワーク、ジェネレータと識別器がデータからマルチモーダルモデルを学ぶ。
我々のQST-CGANは、標準最大化法よりもはるかに高速で、しかも少ないデータで光量子状態を再構成することを示した。
論文 参考訳（メタデータ） (2020-08-07T15:58:50Z) - Entanglement Classification via Neural Network Quantum States [58.720142291102135]
本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。
我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
論文 参考訳（メタデータ） (2019-12-31T07:40:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。