論文の概要: Application of Quantum Pre-Processing Filter for Binary Image
Classification with Small Samples
- arxiv url: http://arxiv.org/abs/2308.14930v1
- Date: Mon, 28 Aug 2023 23:08:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-30 16:30:52.114504
- Title: Application of Quantum Pre-Processing Filter for Binary Image
Classification with Small Samples
- Title(参考訳): 量子前処理フィルタの微小サンプルによる2値画像分類への応用
- Authors: Farina Riaz and Shahab Abdulla and Hajime Suzuki and Srinjoy Ganguly
and Ravinesh C. Deo and Susan Hopkins
- Abstract要約: 提案する量子前処理フィルタ(QPF)のバイナリ画像分類への応用について検討した。
MNIST(手書き桁)、EMNIST(手書き桁とアルファベット)、CIFAR-10(写真画像)、GTSRB(実生活交通標識画像)の4つのデータセットでQPFを評価した。
- 参考スコア(独自算出の注目度): 1.2965700352825555
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Over the past few years, there has been significant interest in Quantum
Machine Learning (QML) among researchers, as it has the potential to transform
the field of machine learning. Several models that exploit the properties of
quantum mechanics have been developed for practical applications. In this
study, we investigated the application of our previously proposed quantum
pre-processing filter (QPF) to binary image classification. We evaluated the
QPF on four datasets: MNIST (handwritten digits), EMNIST (handwritten digits
and alphabets), CIFAR-10 (photographic images) and GTSRB (real-life traffic
sign images). Similar to our previous multi-class classification results, the
application of QPF improved the binary image classification accuracy using
neural network against MNIST, EMNIST, and CIFAR-10 from 98.9% to 99.2%, 97.8%
to 98.3%, and 71.2% to 76.1%, respectively, but degraded it against GTSRB from
93.5% to 92.0%. We then applied QPF in cases using a smaller number of training
and testing samples, i.e. 80 and 20 samples per class, respectively. In order
to derive statistically stable results, we conducted the experiment with 100
trials choosing randomly different training and testing samples and averaging
the results. The result showed that the application of QPF did not improve the
image classification accuracy against MNIST and EMNIST but improved it against
CIFAR-10 and GTSRB from 65.8% to 67.2% and 90.5% to 91.8%, respectively.
Further research will be conducted as part of future work to investigate the
potential of QPF to assess the scalability of the proposed approach to larger
and complex datasets.
- Abstract(参考訳): 過去数年間、研究者の間で量子機械学習(QML)に大きな関心が寄せられてきた。
量子力学の性質を利用するいくつかのモデルが実用化のために開発されている。
本研究では,提案する量子前処理フィルタ(qpf)のバイナリ画像分類への応用について検討した。
MNIST(手書き桁)、EMNIST(手書き桁とアルファベット)、CIFAR-10(写真画像)、GTSRB(実生活交通標識画像)の4つのデータセットでQPFを評価した。
qpfの適用により、mnist、emnist、cifar-10に対するニューラルネットワークを用いたバイナリ画像分類精度が98.9%から99.2%、97.8%から98.3%、71.2%から76.1%に向上したが、93.5%から92.0%に低下した。
次に,クラス毎に80サンプルと20サンプルという,少数のトレーニングとテストサンプルを使用したケースでqpfを適用した。
統計的に安定な結果を得るため,ランダムに異なるトレーニングとテストのサンプルを選択し,平均化する100回の試験を行った。
その結果、QPFの適用はMNISTとEMNISTに対する画像分類精度を改善せず、CIFAR-10とGTSRBをそれぞれ65.8%から67.2%、90.5%から91.8%に改善した。
今後の研究の一環として、より大規模で複雑なデータセットに対する提案手法のスケーラビリティを評価するためのQPFの可能性について検討する。
関連論文リスト
- Development of a Novel Quantum Pre-processing Filter to Improve Image
Classification Accuracy of Neural Network Models [1.2965700352825555]
本稿では,ニューラルネットワーク(NN)モデルの画像分類精度を向上させるために,新しい量子前処理フィルタ(QPF)を提案する。
その結果,MNIST (手書き10桁) とEMNIST (手書き47桁と文字) のデータセットに基づく画像分類精度を向上させることができた。
しかし,43種類の実生活交通標識画像を用いた比較的複雑なGTSRBデータセットに対するQPF手法による検証の結果,分類精度の低下が認められた。
論文 参考訳(メタデータ) (2023-08-22T01:27:04Z) - Uncertainty-inspired Open Set Learning for Retinal Anomaly
Identification [71.06194656633447]
9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。
しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。
UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
論文 参考訳(メタデータ) (2023-04-08T10:47:41Z) - Implementing a Hybrid Quantum-Classical Neural Network by Utilizing a
Variational Quantum Circuit for Detection of Dementia [0.0]
2019年にアルツハイマー病の患者3人に1人近くが誤診され、ニューラルネットワークの問題が修正される可能性がある。
この研究により、提案されたハイブリッド量子古典畳み込みニューラルネットワーク(QCCNN)は97.5%と95.1%のテストおよび検証精度を提供することがわかった。
QCCNNはCNNの89%と91%と比較して95%と98%の画像を正しく検出した。
論文 参考訳(メタデータ) (2023-01-29T18:05:42Z) - CoV-TI-Net: Transferred Initialization with Modified End Layer for
COVID-19 Diagnosis [5.546855806629448]
転送学習は比較的新しい学習手法であり、少ない計算で優れた性能を達成するために多くの分野で採用されている。
本研究では,MNISTデータセットにPyTorch事前学習モデル(VGG19_bnとWideResNet -101)を適用した。
提案したモデルはKaggleのノートブックで開発、検証され、計算時間を要さずに99.77%の精度に達した。
論文 参考訳(メタデータ) (2022-09-20T08:52:52Z) - Conformer and Blind Noisy Students for Improved Image Quality Assessment [80.57006406834466]
知覚品質評価(IQA)のための学習ベースアプローチは、通常、知覚品質を正確に測定するために歪んだ画像と参照画像の両方を必要とする。
本研究では,変換器を用いた全参照IQAモデルの性能について検討する。
また,全教師モデルから盲人学生モデルへの半教師付き知識蒸留に基づくIQAの手法を提案する。
論文 参考訳(メタデータ) (2022-04-27T10:21:08Z) - Core Risk Minimization using Salient ImageNet [53.616101711801484]
私たちは、1000のImagenetクラスのコアとスプリアス機能をローカライズする100万人以上のソフトマスクを備えたSalient Imagenetデータセットを紹介します。
このデータセットを用いて、まず、いくつかのImagenet事前訓練されたモデル(総計42件)の素早い特徴に対する依存度を評価する。
次に、コアリスク最小化(CoRM)と呼ばれる新しい学習パラダイムを導入する。
論文 参考訳(メタデータ) (2022-03-28T01:53:34Z) - The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk
Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。
AUC, 感度, 特異性, 精度, F1。
論文 参考訳(メタデータ) (2021-09-18T02:28:01Z) - Hybrid quantum convolutional neural networks model for COVID-19
prediction using chest X-Ray images [13.094997642327371]
早期診断を支援するには、正確なパフォーマンスを備えた胸部X線(CXR)画像を介してCOVID-19を予測するモデルが必要です。
本稿では、ハイブリッド量子古典畳み込みニューラルネットワーク(HQCNN)モデルを用いて、ランダム量子回路(RQC)を用いてCOVID-19患者を検出する。
提案するhqcnnモデルは, 98.4%の精度と99.3%の感度で, 高い性能を達成した。
論文 参考訳(メタデータ) (2021-02-08T18:22:53Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳(メタデータ) (2020-09-22T11:53:06Z) - Classifying CMB time-ordered data through deep neural networks [0.0]
CMB実験の検出器を分類するための教師付き機械学習モデルを提案する。
このモデルは深層畳み込みニューラルネットワークに対応する。
私たちのモデルは現在のパイプラインの約10倍の速度で、リアルタイム実装に適しています。
論文 参考訳(メタデータ) (2020-04-13T22:34:30Z) - Assessing Graph-based Deep Learning Models for Predicting Flash Point [52.931492216239995]
グラフベースのディープラーニング(GBDL)モデルは初めてフラッシュポイントを予測するために実装された。
MPNNの平均R2と平均絶対誤差(MAE)は、それぞれ2.3%低、2.0K高である。
論文 参考訳(メタデータ) (2020-02-26T06:10:12Z)
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。