論文の概要: Quantum-Enhanced Vision Transformer for Flood Detection using Remote Sensing Imagery

• arxiv url: http://arxiv.org/abs/2603.13689v1
• Date: Sat, 14 Mar 2026 01:48:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.343129
• Title: Quantum-Enhanced Vision Transformer for Flood Detection using Remote Sensing Imagery
• Title（参考訳）: リモートセンシング画像を用いたフラッド検出のための量子化ビジョン変換器
• Authors: Soumyajit Maity, Behzad Ghanbarian,
• Abstract要約: 本稿では,量子コンピューティングの表現的特徴抽出機能と変換器のグローバルな文脈認識性を相乗化する新しい量子拡張ビジョン変換器(ViT)を提案する。 リモートセンシング画像を用いて、並列経路、ViTバックボーン、量子分岐を介して入力を処理するハイブリッドアーキテクチャを開発した。 その結果、提案されたハイブリッドモデルは古典的なViTベースラインを大きく上回り、全体的な精度は84.48%から94.47%に向上し、F1スコアは0.841から0.944に向上した。
• 参考スコア（独自算出の注目度）: 1.1458853556386797
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable flood detection is critical for disaster management, yet classical deep learning models often struggle with the high-dimensional, nonlinear complexities inherent in remote sensing data. To mitigate these limitations, we introduced a novel Quantum-Enhanced Vision Transformer (ViT) that synergizes the global context-awareness of transformers with the expressive feature extraction capabilities of quantum computing. Using remote sensing imagery, we developed a hybrid architecture that processes inputs through parallel pathways, a ViT backbone and a quantum branch utilizing a 4-qubit parameterized quantum circuit for localized feature mapping. These distinct representations were fused to optimize binary classification. Results showed that the proposed hybrid model significantly outperformed a classical ViT baseline, increased overall accuracy from 84.48% to 94.47% and the F1-score from 0.841 to 0.944. Notably, the quantum integration substantially improved discriminative power in complex terrains for both class. These findings validate the potential of quantum-classical hybrid models to enhance precision in hydrological monitoring and earth observation applications.
• Abstract（参考訳）: 信頼性の高い洪水検出は災害管理に不可欠であるが、古典的なディープラーニングモデルは、リモートセンシングデータに固有の高次元の非線形複雑度に悩まされることが多い。 これらの制限を緩和するために、量子コンピューティングの表現的特徴抽出機能と変換器のグローバルな文脈認識性を相乗化する新しい量子拡張ビジョン変換器(ViT)を導入した。 リモートセンシング画像を用いて、並列経路、ViTバックボーン、および4量子パラメータ化量子回路を用いた局所化特徴マッピングを用いた量子分岐を介して入力を処理するハイブリッドアーキテクチャを開発した。 これらの異なる表現はバイナリ分類を最適化するために融合された。 その結果、提案されたハイブリッドモデルは古典的なViTベースラインを大きく上回り、全体的な精度は84.48%から94.47%に向上し、F1スコアは0.841から0.944に向上した。 特に、量子積分は両方のクラスの複雑な地形における識別力を大幅に改善した。 これらの結果は,水文学モニタリングと地球観測の精度を高めるために,量子古典ハイブリッドモデルの可能性を検証するものである。

関連論文リスト

• Genetic Transformer-Assisted Quantum Neural Networks for Optimal Circuit Design [3.6953740776904924]
  我々はGTQNN(Genematic Transformer Assisted Quantum Neural Networks)を紹介する。 GTQNNは、トランスフォーマーエンコーダと浅い変動量子回路を組み合わせたハイブリッド学習フレームワークである。 4つのベンチマークの実験では、GTQNNは最先端の量子モデルの状態と一致するか超えている。
  論文  参考訳（メタデータ） (2025-06-10T19:49:21Z)
• BHViT: Binarized Hybrid Vision Transformer [53.38894971164072]
  モデルバイナライゼーションは畳み込みニューラルネットワーク(CNN)のリアルタイムおよびエネルギー効率の計算を可能にした。 本稿では,バイナライズフレンドリーなハイブリッドViTアーキテクチャであるBHViTとそのバイナライズモデルを提案する。 提案アルゴリズムは,バイナリ ViT 手法間でSOTA 性能を実現する。
  論文  参考訳（メタデータ） (2025-03-04T08:35:01Z)
• Quantum-Enhanced Attention Mechanism in NLP: A Hybrid Classical-Quantum Approach [0.0]
  本稿では,量子化されたアテンション機構を標準の古典的アーキテクチャに組み込んだ,古典量子変換器のハイブリッドモデルを提案する。 様々なNLPベンチマークにおいて,このアプローチの有効性を実証し,効率と表現能力の両面で改善したことを示す。
  論文  参考訳（メタデータ） (2025-01-26T18:29:06Z)
• Transformer neural networks and quantum simulators: a hybrid approach for simulating strongly correlated systems [1.6494451064539348]
  ニューラル量子状態(NQS)のハイブリッド最適化手法を提案する。 計算ベースからの射影測定と他の測定設定からの期待値の両方を用いることで、事前学習により状態の符号構造へのアクセスが可能になる。 我々の研究は、ニューラル量子状態の信頼性と効率的な最適化の道を開いた。
  論文  参考訳（メタデータ） (2024-05-31T17:55:27Z)
• Quantum Vision Transformers for Quark-Gluon Classification [3.350407101925898]
  本稿では,変分量子回路を統合したハイブリッド型量子古典視覚変換器アーキテクチャを提案する。 CMS Open Dataのマルチ検出器ジェット画像にモデルを適用し,本手法の評価を行った。
  論文  参考訳（メタデータ） (2024-05-16T17:45:54Z)
• Learning with SASQuaTCh: a Novel Variational Quantum Transformer Architecture with Kernel-Based Self-Attention [0.464982780843177]
  本稿では、SASQuaT(Self-Attention Sequential Quantum Transformer Channel)という変分量子回路アーキテクチャを提案する。 提案手法は、単純なゲート演算と多次元量子フーリエ変換を用いたビジョントランスフォーマーネットワークの予測におけるカーネルベース演算子学習の最近の知見を活用する。 提案手法の有効性を検証するため,9量子ビットと少数のパラメータしか持たず,手書き桁のグレースケール画像を高い精度で同時に埋め込み,分類することが可能な画像分類タスクをシミュレーションおよびハードウェアで検討した。
  論文  参考訳（メタデータ） (2024-03-21T18:00:04Z)
• 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)
• DepthFormer: Exploiting Long-Range Correlation and Local Information for Accurate Monocular Depth Estimation [50.08080424613603]
  高精度な単分子深度推定には長距離相関が不可欠である。 我々は,このグローバルコンテキストを効果的な注意機構でモデル化するためにTransformerを活用することを提案する。 提案したモデルであるDepthFormerは、最先端のモノクル深度推定手法をはるかに超えている。
  論文  参考訳（メタデータ） (2022-03-27T05:03:56Z)
• CSformer: Bridging Convolution and Transformer for Compressive Sensing [65.22377493627687]
  本稿では,CNNからの詳細な空間情報を活用するためのハイブリッドフレームワークと,表現学習の強化を目的としたトランスフォーマーが提供するグローバルコンテキストを統合することを提案する。 提案手法は、適応的なサンプリングとリカバリからなるエンドツーエンドの圧縮画像センシング手法である。 実験により, 圧縮センシングにおける専用トランスアーキテクチャの有効性が示された。
  論文  参考訳（メタデータ） (2021-12-31T04:37:11Z)

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。