Fugu-MT 論文翻訳(概要): Quantum-enhanced cluster detection in physical images

論文の概要: Quantum-enhanced cluster detection in physical images

arxiv url: http://arxiv.org/abs/2208.05522v2
Date: Tue, 21 Nov 2023 19:28:31 GMT
ステータス: 処理完了
システム内更新日: 2023-11-23 19:39:10.242939
Title: Quantum-enhanced cluster detection in physical images
Title（参考訳）: 物理画像における量子クラスター検出
Authors: Jason L. Pereira, Leonardo Banchi, Stefano Pirandola
Abstract要約: 我々は、データが物理的に生きている状況を考えるので、まずセンサーを使って画像を収集し、クラスタ化する必要があります。量子エンタングルメントによって強化されたセンサを用いて、純粋に古典的な戦略よりも正確に表面を撮像することができる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Identifying clusters in data is an important task in many fields. In this paper, we consider situations in which data live in a physical world, so we have to first collect the images using sensors before clustering them. Using sensors enhanced by quantum entanglement, we can image surfaces more accurately than using purely classical strategies. However, it is not immediately obvious if the advantage we gain is robust enough to survive data processing steps such as clustering. It has previously been found that using quantum-enhanced sensors for imaging and pattern recognition can give an advantage for supervised learning tasks, and here we demonstrate that this advantage also holds for an unsupervised learning task, namely clustering.
Abstract（参考訳）: データ内のクラスタを特定することは、多くの分野で重要なタスクです。本稿では,データが物理的に存在する状況について考察するので,まずセンサを用いて画像の収集を行い,クラスタリングを行う。量子エンタングルメントによって強化されたセンサを用いて、純粋に古典的な戦略よりも正確に表面を撮像することができる。しかし、我々が得る利点がクラスタリングのようなデータ処理ステップに耐えられるほど堅牢かどうか、すぐには明らかではない。従来,量子化センサを用いた画像認識とパターン認識は,教師付き学習タスクに有利であることが確認されており,この利点が教師なし学習タスク,すなわちクラスタリングにも有効であることを示す。

関連論文リスト

Neural auto-designer for enhanced quantum kernels [59.616404192966016]
本稿では,問題固有の量子特徴写像の設計を自動化するデータ駆動型手法を提案する。私たちの研究は、量子機械学習の進歩におけるディープラーニングの実質的な役割を強調します。
論文参考訳（メタデータ） (2024-01-20T03:11:59Z)
Self-Supervised Pretraining on Satellite Imagery: a Case Study on Label-Efficient Vehicle Detection [0.0]
超高解像度光衛星画像における物体検出のためのドメイン内自己教師型表現学習について検討する。我々は、世界地図の大規模な土地利用分類データセットを用いて、Momentum Contrastフレームワークの拡張による表現の事前訓練を行う。次に,Preligensプロプライエタリなデータに基づいて,車両の詳細な検出と分類を行う実世界のタスクにおいて,このモデルが持つ伝達可能性について検討する。
論文参考訳（メタデータ） (2022-10-21T08:41:22Z)
LEAD: Self-Supervised Landmark Estimation by Aligning Distributions of Feature Similarity [49.84167231111667]
自己監督型ランドマーク検出における既存の研究は、画像から高密度(ピクセルレベルの)特徴表現を学習することに基づいている。自己教師付き方式で高密度同変表現の学習を強化するアプローチを提案する。機能抽出器にそのような先行性があることは,アノテーションの数が大幅に制限されている場合でも,ランドマーク検出に役立ちます。
論文参考訳（メタデータ） (2022-04-06T17:48:18Z)
A hybrid quantum image edge detector for the NISQ era [62.997667081978825]
本稿では,量子人工ニューロンのアイデアに基づく量子エッジ検出のハイブリッド手法を提案する。提案手法は, 量子コンピュータ, 特に現在ノイズの多い中間量子時代において, 実際に実装することができる。
論文参考訳（メタデータ） (2022-03-22T22:02:09Z)
Dictionary learning for clustering on hyperspectral images [0.5584060970507506]
本稿では,代表辞書から計算したスパース係数を特徴として,ハイパースペクトル画像の画素をクラスタリングする方法を提案する。提案手法は,元のピクセルのクラスタリングよりも効果的に動作することを示す。
論文参考訳（メタデータ） (2022-02-02T12:22:33Z)
Clustering augmented Self-Supervised Learning: Anapplication to Land Cover Mapping [10.720852987343896]
本稿では,自己教師型学習のためのクラスタリングに基づくプレテキストタスクを用いて,土地被覆マッピングの新しい手法を提案する。社会的に関係のある2つのアプリケーションに対して,本手法の有効性を示す。
論文参考訳（メタデータ） (2021-08-16T19:35:43Z)
Quantum Self-Supervised Learning [22.953284192004034]
対照的自己監督学習のためのハイブリッド量子古典ニューラルネットワークアーキテクチャを提案する。 ibmq_paris量子コンピュータ上の見えない画像を分類するために、最良の量子モデルを適用します。
論文参考訳（メタデータ） (2021-03-26T18:00:00Z)
Unsupervised Semantic Segmentation by Contrasting Object Mask Proposals [78.12377360145078]
画素埋め込みを学習するために、コントラスト最適化の目的として、予め決められた事前を取り入れた新しい2段階フレームワークを導入する。これは、プロキシタスクやエンドツーエンドのクラスタリングに依存する既存の作業から大きく逸脱している。特に、PASCALでラベル付き例の1%だけを用いて学習した表現を微調整すると、7.1% mIoUで教師付き ImageNet の事前トレーニングを上回ります。
論文参考訳（メタデータ） (2021-02-11T18:54:47Z)
Unsupervised Foveal Vision Neural Networks with Top-Down Attention [0.3058685580689604]
本稿では,教師なし学習技術のみを用いたボトムアップ・サリエンシーとトップダウン・アテンションの融合を提案する。トロントおよびCAT2000データベース上で提案したガンマ塩分濃度法の性能を検証した。また,CNNの上位層に適用したガンマ塩分度に基づくトップダウンアテンション機構を開発し,背景が乱れの強いマルチオブジェクト画像や画像のシーン理解を改善する。
論文参考訳（メタデータ） (2020-10-18T20:55:49Z)
SCAN: Learning to Classify Images without Labels [73.69513783788622]
機能学習とクラスタリングを分離する2段階のアプローチを提唱する。表現学習からの自己教師型タスクを用いて意味論的意味のある特徴を得る。我々は、ImageNet上で有望な結果を得、低データ体制下では、いくつかの半教師付き学習方法より優れています。
論文参考訳（メタデータ） (2020-05-25T18:12:33Z)
Fine-Grain Few-Shot Vision via Domain Knowledge as Hyperspherical Priors [79.22051549519989]
プロトタイプネットワークは、コンピュータビジョンにおいて、数ショットの学習タスクでうまく機能することが示されている。ドメイン知識を情報的先行要素として取り入れつつ,クラスを最大限に分離することで,数発の微粒化を実現する方法を示す。
論文参考訳（メタデータ） (2020-05-23T02:10:57Z)

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。