Fugu-MT 論文翻訳(概要): Quantum Machine Learning for Image Classification: A Hybrid Model of Residual Network with Quantum Support Vector Machine

論文の概要: Quantum Machine Learning for Image Classification: A Hybrid Model of Residual Network with Quantum Support Vector Machine

arxiv url: http://arxiv.org/abs/2510.23659v1
Date: Sun, 26 Oct 2025 07:52:53 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-29 15:35:36.324192
Title: Quantum Machine Learning for Image Classification: A Hybrid Model of Residual Network with Quantum Support Vector Machine
Title（参考訳）: 画像分類のための量子機械学習:量子支援ベクトルマシンを用いた残差ネットワークのハイブリッドモデル
Authors: Md. Farhan Shahriyar, Gazi Tanbhir, Abdullah Md Raihan Chy,
Abstract要約: 本研究では,特徴抽出にResNet-50,ポテト病検出にQuantum Support Vector Machines(QSVM)を用いたハイブリッド手法を提案する。本研究では,ResNet-50を用いて,ポテト病のRGB画像から深い特徴表現を抽出し,主成分分析(PCA)を用いて次元化を図った。実験の結果、Z-Feature MapベースのQSVMは古典的なモデルよりも優れており、99.23パーセントの精度でSVMとRFモデルを上回っていることがわかった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Recently, there has been growing attention on combining quantum machine learning (QML) with classical deep learning approaches, as computational techniques are key to improving the performance of image classification tasks. This study presents a hybrid approach that uses ResNet-50 (Residual Network) for feature extraction and Quantum Support Vector Machines (QSVM) for classification in the context of potato disease detection. Classical machine learning as well as deep learning models often struggle with high-dimensional and complex datasets, necessitating advanced techniques like quantum computing to improve classification efficiency. In our research, we use ResNet-50 to extract deep feature representations from RGB images of potato diseases. These features are then subjected to dimensionality reduction using Principal Component Analysis (PCA). The resulting features are processed through QSVM models which apply various quantum feature maps such as ZZ, Z, and Pauli-X to transform classical data into quantum states. To assess the model performance, we compared it with classical machine learning algorithms such as Support Vector Machine (SVM) and Random Forest (RF) using five-fold stratified cross-validation for comprehensive evaluation. The experimental results demonstrate that the Z-feature map-based QSVM outperforms classical models, achieving an accuracy of 99.23 percent, surpassing both SVM and RF models. This research highlights the advantages of integrating quantum computing into image classification and provides a potential disease detection solution through hybrid quantum-classical modeling.
Abstract（参考訳）: 近年,画像分類タスクの性能向上の鍵となる計算技術として,量子機械学習(QML)と古典的なディープラーニングアプローチの組み合わせに注目が集まっている。本研究では,特徴抽出にResNet-50(Residual Network),ポテト病検出にQuantum Support Vector Machines(QSVM)を用いたハイブリッドアプローチを提案する。古典的な機械学習だけでなく、ディープラーニングモデルも高次元で複雑なデータセットに苦しむことが多く、分類効率を改善するために量子コンピューティングのような高度な技術を必要とする。本研究ではResNet-50を用いて,ポテト病のRGB画像から詳細な特徴表現を抽出する。これらの特徴は主成分分析(PCA)を用いて次元化される。得られた特徴は、古典的なデータを量子状態に変換するためにZZ、Z、Pauli-Xといった様々な量子特徴写像を適用するQSVMモデルによって処理される。モデル性能を評価するため,SVM (Support Vector Machine) やランダムフォレスト (Random Forest) などの古典的機械学習アルゴリズムと比較した。実験の結果、Z-Feature MapベースのQSVMは古典的なモデルよりも優れており、99.23パーセントの精度でSVMとRFモデルを上回っていることがわかった。本研究は、画像分類に量子コンピューティングを統合する利点を強調し、ハイブリッド量子古典モデリングによる潜在的な疾患検出ソリューションを提供する。

関連論文リスト

Q2SAR: A Quantum Multiple Kernel Learning Approach for Drug Discovery [39.58317527488534]
本研究は、QSAR分類を強化するために、量子多重カーネル学習フレームワークを成功させたことを実証する。本手法をDYRK1Aキナーゼ阻害剤を同定するためのデータセットに適用する。古典的なグラディエントブースティングモデルに対してQMKL-SVMをベンチマークすることにより、量子化アプローチがより優れたAUCスコアを達成することを示す。
論文参考訳（メタデータ） (2025-06-17T19:00:47Z)
HQViT: Hybrid Quantum Vision Transformer for Image Classification [48.72766405978677]
本稿では,モデル性能を向上しつつ,モデルトレーニングを高速化するHybrid Quantum Vision Transformer(HQViT)を提案する。 HQViTは振幅エンコーディングによる全画像処理を導入し、位置エンコーディングを追加せずにグローバルな画像情報をよりよく保存する。様々なコンピュータビジョンデータセットの実験により、HQViTは既存のモデルよりも優れており、最大10.9%(MNIST 10-classification task)の改善を実現している。
論文参考訳（メタデータ） (2025-04-03T16:13:34Z)
Lean classical-quantum hybrid neural network model for image classification [12.353900068459446]
本稿では,変分回路の4層のみを用いて,効率的な分類性能を実現するLan Classical-Quantum Hybrid Neural Network (LCQHNN)を提案する。我々の実験は、LCQHNNがMNIST、FashionMNIST、CIFAR-10データセットの100%、99.02%、85.55%の分類精度を達成することを示した。
論文参考訳（メタデータ） (2024-12-03T00:37:11Z)
Quantum Transfer Learning for MNIST Classification Using a Hybrid Quantum-Classical Approach [0.0]
我々は、MNIST桁の画像を低次元の特徴空間に圧縮する画像分類のためのハイブリッド量子古典モデルを実装した。オートエンコーダは、各28タイムs28$イメージ(784ピクセル)を64次元潜在ベクトルに圧縮する。これらの特徴を5量子ビット量子状態にマッピングする。
論文参考訳（メタデータ） (2024-08-05T22:16:27Z)
Towards Transfer Learning for Large-Scale Image Classification Using Annealing-based Quantum Boltzmann Machines [7.106829260811707]
本稿では,Quantum Annealing (QA) を用いた画像分類手法を提案する。本稿では,アニール型量子ボルツマンマシンをハイブリッド量子古典パイプラインの一部として用いることを提案する。提案手法は,テスト精度とAUC-ROC-Scoreの点で,古典的ベースラインを一貫して上回っていることがわかった。
論文参考訳（メタデータ） (2023-11-27T16:07:49Z)
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 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)
Multiclass classification using quantum convolutional neural networks with hybrid quantum-classical learning [0.5999777817331318]
本稿では,量子畳み込みニューラルネットワークに基づく量子機械学習手法を提案する。提案手法を用いて,MNISTデータセットの4クラス分類を,データエンコーディングの8つのキュービットと4つのアクニラキュービットを用いて実証する。この結果から,学習可能なパラメータの数に匹敵する古典的畳み込みニューラルネットワークによる解の精度が示された。
論文参考訳（メタデータ） (2022-03-29T09:07:18Z)

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。