論文の概要: A Novel Image Classification Framework Based on Variational Quantum Algorithms

• arxiv url: http://arxiv.org/abs/2312.07932v2
• Date: Wed, 6 Mar 2024 02:44:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-07 17:31:06.577595
• Title: A Novel Image Classification Framework Based on Variational Quantum Algorithms
• Title（参考訳）: 変分量子アルゴリズムに基づく新しい画像分類フレームワーク
• Authors: Yixiong Chen
• Abstract要約: 本稿では,量子機械学習における変分量子アルゴリズム(VQA)-ハイブリッドアプローチを活用した新しい画像分類フレームワークを提案する。 我々のフレームワークの大きな利点は、ネットワークの終端におけるグローバルプール操作の必要性を取り除くことである。 実験の結果,提案した量子フレームワークの精度は9.21%向上し,F1スコアは15.79%向上した。
• 参考スコア（独自算出の注目度）: 3.5534933448684134
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image classification is a crucial task in machine learning with widespread practical applications. The existing classical framework for image classification typically utilizes a global pooling operation at the end of the network to reduce computational complexity and mitigate overfitting. However, this operation often results in a significant loss of information, which can affect the performance of classification models. To overcome this limitation, we introduce a novel image classification framework that leverages variational quantum algorithms (VQAs)-hybrid approaches combining quantum and classical computing paradigms within quantum machine learning. The major advantage of our framework is the elimination of the need for the global pooling operation at the end of the network. In this way, our approach preserves more discriminative features and fine-grained details in the images, which enhances classification performance. Additionally, employing VQAs enables our framework to have fewer parameters than the classical framework, even in the absence of global pooling, which makes it more advantageous in preventing overfitting. We apply our method to different state-of-the-art image classification models and demonstrate the superiority of the proposed quantum architecture over its classical counterpart through a series of experiments on public datasets. Our experiments show that the proposed quantum framework achieves up to a 9.21% increase in accuracy and up to a 15.79% improvement in F1 score, compared to the classical framework.
• Abstract（参考訳）: 画像分類は、広く応用される機械学習において重要なタスクである。 既存の画像分類のための古典的なフレームワークは、通常、ネットワークの終端にあるグローバルプール操作を利用して計算複雑性を減らし、オーバーフィッティングを軽減する。 しかし,この操作によって情報量が著しく減少し,分類モデルの性能に影響を及ぼすことがある。 この制限を克服するために、量子機械学習における量子と古典コンピューティングのパラダイムを組み合わせた変分量子アルゴリズム(VQA)-ハイブリッドアプローチを利用する新しい画像分類フレームワークを導入する。 我々のフレームワークの大きな利点は、ネットワークの終端におけるグローバルプール操作の必要性を取り除くことである。 このようにして、画像のより識別的な特徴やきめ細かい詳細を保存し、分類性能を向上させる。 さらに、VQAを使用することで、グローバルプールがない場合でも、従来のフレームワークよりもパラメータが少なくなり、オーバーフィッティングの防止がより有利になります。 提案手法を様々な最先端画像分類モデルに適用し,提案した量子アーキテクチャが従来のものよりも優れていることを示す。 提案する量子フレームワークは,従来のフレームワークと比較して精度が9.21%向上し,f1スコアが15.79%向上した。

関連論文リスト

• Meta-Exploiting Frequency Prior for Cross-Domain Few-Shot Learning [86.99944014645322]
  クロスドメインなFew-Shot学習のための新しいフレームワーク,Meta-Exploiting Frequency Priorを導入する。 各クエリ画像を高周波および低周波成分に分解し,特徴埋め込みネットワークに並列に組み込む。 本フレームワークは、複数のドメイン間数ショット学習ベンチマークにおいて、最先端の新たな結果を確立する。
  論文  参考訳（メタデータ） (2024-11-03T04:02:35Z)
• 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)
• Pooling techniques in hybrid quantum-classical convolutional neural networks [0.0]
  2次元医用画像の分類のための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)におけるプーリング手法の詳細な研究を行う。 プールのない等価な古典モデルやQCCNNと比較すると,類似性や性能が向上する。 QCCNNにおけるアーキテクチャの選択を、将来のアプリケーションのためにより深く研究することを約束している。
  論文  参考訳（メタデータ） (2023-05-09T16:51:46Z)
• 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 Quantum-Classical Hybrid Method for Image Classification and Segmentation [0.845391195405042]
  画像分類とセグメンテーションのタスクのために、量子処理ブロックと古典処理ブロックの両方からなるパイプラインを釘付けにしようとする試みがある。 高度なソフトウェアエンジニアリングタスクであるこれらの機能は、当社のCognitive Model Managementフレームワークを通じて編成されています。
  論文  参考訳（メタデータ） (2021-09-25T13:18:47Z)
• 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)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• A Flexible Framework for Designing Trainable Priors with Adaptive Smoothing and Game Encoding [57.1077544780653]
  我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。 グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。 このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
  論文  参考訳（メタデータ） (2020-06-26T08:34:54Z)

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。