論文の概要: Hybrid Classical-Quantum Deep Learning Models for Autonomous Vehicle
Traffic Image Classification Under Adversarial Attack
- arxiv url: http://arxiv.org/abs/2108.01125v1
- Date: Mon, 2 Aug 2021 19:00:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-04 22:37:19.679178
- Title: Hybrid Classical-Quantum Deep Learning Models for Autonomous Vehicle
Traffic Image Classification Under Adversarial Attack
- Title(参考訳): 自律走行車交通画像分類のためのハイブリッド古典量子深層学習モデル
- Authors: Reek Majumder, Sakib Mahmud Khan, Fahim Ahmed, Zadid Khan, Frank
Ngeni, Gurcan Comert, Judith Mwakalonge, Dimitra Michalaka, Mashrur Chowdhury
- Abstract要約: トラフィックサイン画像は、AVがトラフィックサイン認識に使用している機械学習モデルに対する敵攻撃によって、誤って分類することができる。
逆攻撃に対して弾力性のある分類モデルを構築するために、量子層と古典層の両方を用いたハイブリッドディープラーニングモデルを用いた。
我々のゴールは、中規模量子技術の現在の時代を支えるために、古典量子移動学習モデルのハイブリッドディープラーニングアーキテクチャの研究である。
- 参考スコア(独自算出の注目度): 2.6545358349290415
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Image classification must work for autonomous vehicles (AV) operating on
public roads, and actions performed based on image misclassification can have
serious consequences. Traffic sign images can be misclassified by an
adversarial attack on machine learning models used by AVs for traffic sign
recognition. To make classification models resilient against adversarial
attacks, we used a hybrid deep-learning model with both the quantum and
classical layers. Our goal is to study the hybrid deep-learning architecture
for classical-quantum transfer learning models to support the current era of
intermediate-scale quantum technology. We have evaluated the impacts of various
white box adversarial attacks on these hybrid models. The classical part of
hybrid models includes a convolution network from the pre-trained Resnet18
model, which extracts informative features from a high dimensional LISA traffic
sign image dataset. The output from the classical processor is processed
further through the quantum layer, which is composed of various quantum gates
and provides support to various quantum mechanical features like entanglement
and superposition. We have tested multiple combinations of quantum circuits to
provide better classification accuracy with decreasing training data and found
better resiliency for our hybrid classical-quantum deep learning model during
attacks compared to the classical-only machine learning models.
- Abstract(参考訳): 画像分類は、公道で走行する自動運転車(AV)に対して有効であり、画像誤分類に基づく行動は深刻な結果をもたらす可能性がある。
トラフィックサイン画像は、AVがトラフィックサイン認識に使用している機械学習モデルに対する敵攻撃によって、誤って分類することができる。
敵の攻撃に対してレジリエントな分類モデルを構築するために,量子層と古典層の両方を持つハイブリッドディープラーニングモデルを用いた。
我々の目標は、中規模量子技術の現在をサポートするために、古典量子移動学習モデルのハイブリッドディープラーニングアーキテクチャの研究である。
我々はこれらのハイブリッドモデルに対する様々なホワイトボックス攻撃の影響を評価した。
ハイブリッドモデルの古典的な部分は、事前訓練されたResnet18モデルからの畳み込みネットワークを含み、高次元LISAトラフィックサイン画像データセットから情報的特徴を抽出する。
古典的プロセッサからの出力は、様々な量子ゲートからなる量子層を通してさらに処理され、絡み合いや重ね合わせのような様々な量子力学的特徴をサポートする。
我々は,複数の量子回路の組み合わせをテストして,トレーニングデータの削減による分類精度の向上と,攻撃時の古典量子深層学習モデルに対するレジリエンスの向上を検証した。
関連論文リスト
- Reinforcing Pre-trained Models Using Counterfactual Images [54.26310919385808]
本稿では,言語誘導型生成対実画像を用いた分類モデル強化のための新しいフレームワークを提案する。
逆ファクト画像データセットを用いてモデルをテストすることにより、モデルの弱点を同定する。
我々は、分類モデルを微調整し強化するために、デファクトイメージを拡張データセットとして採用する。
論文 参考訳(メタデータ) (2024-06-19T08:07:14Z) - A Comparative Analysis of Adversarial Robustness for Quantum and Classical Machine Learning Models [0.0]
古典モデルと量子モデルの相似性と相違点について検討する。
この結果から,量子古典境界上でのQML回路の古典的近似を「中間基底」と見なすことができた。
論文 参考訳(メタデータ) (2024-04-24T19:20:15Z) - Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。
量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
論文 参考訳(メタデータ) (2024-02-25T16:57:51Z) - Quantum Transfer Learning with Adversarial Robustness for Classification
of High-Resolution Image Datasets [1.7246639313869705]
本稿では,量子変動回路をImageNetデータセット上に事前学習した古典的機械学習ネットワークと統合する量子トランスファー学習アーキテクチャを提案する。
転送学習を伴わずに、古典的および量子機械学習に対するQTLアプローチの優れた性能を示す。
論文 参考訳(メタデータ) (2024-01-30T13:45:39Z) - Adversarial attacks on hybrid classical-quantum Deep Learning models for
Histopathological Cancer Detection [0.0]
この研究は、ハイブリッド古典量子ディープラーニングモデルの2つの主要な応用を強調している。
我々は、ペニレーンのデフォルト量子シミュレータを用いた古典モデルとハイブリッド古典量子モデルのパフォーマンスの精度を比較した。
論文 参考訳(メタデータ) (2023-09-08T06:37:54Z) - Quantum machine learning for image classification [39.58317527488534]
本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。
我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。
第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
論文 参考訳(メタデータ) (2023-04-18T18:23:20Z) - A Framework for Demonstrating Practical Quantum Advantage: Racing
Quantum against Classical Generative Models [62.997667081978825]
生成モデルの一般化性能を評価するためのフレームワークを構築した。
古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。
以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
論文 参考訳(メタデータ) (2023-03-27T22:48:28Z) - Hybrid Quantum-Classical Generative Adversarial Network for High
Resolution Image Generation [14.098992977726942]
量子機械学習(QML)は、古典的な機械学習手法を様々な問題で上回る可能性を秘め、注目を集めている。
QML手法のサブクラスは量子生成逆数ネットワーク(QGAN)であり、古典的なGANの量子対数として研究されている。
ここでは、古典的および量子的手法を統合し、新しいハイブリッド量子古典的GANフレームワークを提案する。
論文 参考訳(メタデータ) (2022-12-22T11:18:35Z) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳(メタデータ) (2022-11-23T18:25:32Z) - Quantum Machine Learning with SQUID [64.53556573827525]
分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。
本稿では、一般的なMNISTデータセットから標準バイナリ分類問題にSQUIDを使用する例を示す。
論文 参考訳(メタデータ) (2021-04-30T21:34:11Z) - ViViT: A Video Vision Transformer [75.74690759089529]
ビデオ分類にpure-transformerベースのモデルを提案する。
本モデルでは,入力ビデオから時間トークンを抽出し,一連のトランスフォーマー層で符号化する。
トレーニング中にモデルを効果的に正規化し、トレーニング済みの画像モデルを利用して比較的小さなデータセットでトレーニングできることを示します。
論文 参考訳(メタデータ) (2021-03-29T15:27:17Z)
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。