論文の概要: HQ-UNet: A Hybrid Quantum-Classical U-Net with a Quantum Bottleneck for Remote Sensing Image Segmentation

• arxiv url: http://arxiv.org/abs/2604.27206v1
• Date: Wed, 29 Apr 2026 21:24:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:53.809428
• Title: HQ-UNet: A Hybrid Quantum-Classical U-Net with a Quantum Bottleneck for Remote Sensing Image Segmentation
• Title（参考訳）: HQ-UNet: リモートセンシング画像セグメンテーションのための量子ボトルネック付きハイブリッド量子古典型U-Net
• Authors: Md Aminur Hossain, Ayush V. Patel, Ikshwaku Vanani, Biplab Banerjee,
• Abstract要約: HQ-UNetは、古典的なU-Netのボトルネックにコンパクトなパラメータ化量子回路を統合するハイブリッド量子古典的U-Netアーキテクチャである。 HQ-UNet の平均 IoU は 0.8050 であり、全体的な精度は 94.76% であり、古典的な U-Net のベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 17.65267962254814
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic segmentation in remote sensing is commonly addressed using classical deep learning architectures such as U-Net, which require a large number of parameters to model complex spatial relationships. Quantum machine learning (QML) provides an alternative representation paradigm by mapping classical features into quantum states, but its direct application to high-dimensional images remains challenging under near-term quantum hardware constraints. In this work, we propose HQ-UNet, a hybrid quantum-classical U-Net architecture that integrates a compact parameterized quantum circuit at the bottleneck of a classical U-Net. The proposed design uses a non-pooling quantum convolutional module to enrich highly compressed encoder features before decoding, while keeping the quantum component shallow and parameter-efficient. Experiments on the LandCover.ai dataset show that HQ-UNet achieves a mean IoU of 0.8050 and an overall accuracy of 94.76%, outperforming the classical U-Net baseline. These results suggest that compact quantum bottlenecks can enhance feature representation for remote sensing image segmentation under near-term quantum constraints. This highlights the potential of hybrid quantum-classical designs as a promising direction for parameter-efficient dense prediction in Earth observation.
• Abstract（参考訳）: リモートセンシングにおけるセマンティックセグメンテーションは、複雑な空間関係をモデル化するために多数のパラメータを必要とするU-Netのような古典的なディープラーニングアーキテクチャを用いて、一般的に対処される。 量子機械学習(QML)は、古典的特徴を量子状態にマッピングすることで、代替的な表現パラダイムを提供するが、その高次元画像への直接的な適用は、短期的な量子ハードウェア制約の下では困難である。 本研究では,古典的U-Netのボトルネックにコンパクトなパラメータ化量子回路を統合するハイブリッド量子古典型U-NetアーキテクチャであるHQ-UNetを提案する。 提案設計では、非プーリング量子畳み込みモジュールを用いて、デコード前に高度に圧縮されたエンコーダ特性を豊かにし、量子成分の浅さとパラメータ効率を保っている。 LandCover.aiデータセットの実験によると、HQ-UNetは平均IoUが0.8050であり、全体的な精度は94.76%であり、古典的なU-Netベースラインを上回っている。 これらの結果から,コンパクトな量子ボトルネックは,短期的量子制約下でのリモートセンシング画像のセグメンテーションの特徴表現を向上する可能性が示唆された。 これは、地球観測におけるパラメータ効率の高い密度予測の有望な方向として、ハイブリッド量子古典設計の可能性を強調している。

関連論文リスト

• Quantum reservoir computing with classical and nonclassical states in an integrated optical circuit [0.0]
  量子貯水池コンピューティング(QRC)は、ハードウェアで実装可能な量子ニューラルネットワーク方式である。 正の位相空間法を拡張して, ボソニック, 線形シリコンチップ系QRC系を効率的にシミュレーションする。
  論文  参考訳（メタデータ） (2026-03-17T19:49:59Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Efficient Quantum Convolutional Neural Networks for Image Classification: Overcoming Hardware Constraints [2.3895835682351287]
  量子畳み込みニューラルネットワーク(CNN)は、古典的アプローチを上回る可能性を秘めている。 本稿では,入力次元を大幅に削減する符号化方式を提案する。 我々はIBMのHeron r2量子プロセッサの実験を検証し、分類精度は96.08%である。
  論文  参考訳（メタデータ） (2025-05-09T11:09:52Z)
• Quantum Data Encoding and Variational Algorithms: A Framework for Hybrid Quantum Classical Machine Learning [0.0]
  量子機械学習(QML)は、量子力学の計算フレームワークと古典的な機械学習の適応特性を統合する。 この記事では、古典的なデータパイプラインと量子アルゴリズムの接続を可能にする広範なアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-02-17T16:04:04Z)
• 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)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
  グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。 egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。 このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
  論文  参考訳（メタデータ） (2022-01-13T16:35:45Z)
• Quantum Deformed Neural Networks [83.71196337378022]
  我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。 入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
  論文  参考訳（メタデータ） (2020-10-21T09:46:12Z)
• Experimental Quantum Generative Adversarial Networks for Image Generation [93.06926114985761]
  超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。 我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2020-10-13T06:57:17Z)

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。