論文の概要: Hybrid Quantum CNN for Cross-Sensor Spaceborne Volcanic Thermal Activity Recognition Worldwide

• arxiv url: http://arxiv.org/abs/2608.00069v1
• Date: Wed, 29 Jul 2026 08:34:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.36781
• Title: Hybrid Quantum CNN for Cross-Sensor Spaceborne Volcanic Thermal Activity Recognition Worldwide
• Title（参考訳）: クロスセンサ型熱活動認識のためのハイブリッド量子CNN
• Abstract要約: 本研究では,地球規模での火山熱活動のクロスセンサ認識のためのハイブリッド量子AlexNetアーキテクチャを提案する。 提案モデルでは,高次空間特徴抽出のための古典的畳み込みバックボーンと,変分層として機能するパラメータ化量子回路(PQC)を組み合わせた。 実験により, 提案したハイブリッド量子モデルは, より識別的な特徴表現を学習し, 異種火山環境におけるクロスセンサの伝達性やロバスト性の向上につながることが示された。
• 参考スコア（独自算出の注目度）: 63.84017474733142
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As Earth Observation (EO) enters the Big Data era, the exponential volume of daily satellite imagery poses significant computational and storage challenges for classical Deep Learning (DL) models. Moreover, current approaches often struggle to generalize across heterogeneous sensors and volcanic environments while requiring large labeled datasets and substantial computational resources. These limitations are particularly critical for emerging On-Board Processing (OBP) applications, where memory, computational power, and annotated data are inherently limited. This work proposes a Hybrid Quantum AlexNet architecture for cross-sensor recognition of volcanic thermal activity at the global scale. The proposed model combines a classical convolutional backbone for high-level spatial features extraction with a parameterized quantum circuit (PQC) acting as a variational layer. By embedding high-level image representations into a high-dimensional Hilbert space, the quantum layer learns task-specific representations that enhance feature discrimination. Experimental results demonstrate that the proposed hybrid quantum model learns more discriminative feature representations, leading to improved cross-sensor transferability and robustness across heterogeneous volcanic environments using fewer trainable parameters and reduced training data than its classical counterpart.
• Abstract（参考訳）: 地球観測(EO)がビッグデータ時代に入ると、毎日の衛星画像の指数的な量は、古典的なディープラーニング(DL)モデルに重大な計算および記憶上の課題をもたらす。 さらに、現在のアプローチでは、大きなラベル付きデータセットとかなりの計算資源を必要としながら、異質なセンサーや火山環境をまたいだ一般化に苦慮することが多い。 これらの制限は、メモリ、計算能力、アノテートされたデータが本質的に制限される新しいオンボード処理(OBP)アプリケーションにとって特に重要である。 本研究では,地球規模での火山熱活動のクロスセンサ認識のためのハイブリッド量子AlexNetアーキテクチャを提案する。 提案モデルでは,高次空間特徴抽出のための古典的畳み込みバックボーンと,変分層として機能するパラメータ化量子回路(PQC)を組み合わせた。 ハイレベルな画像表現を高次元ヒルベルト空間に埋め込むことで、量子層は特徴の識別を強化するタスク固有の表現を学習する。 実験により,提案したハイブリッド量子モデルはより識別的な特徴表現を学習し,従来よりもトレーニング可能なパラメータが少なく,トレーニングデータも少ないことから,異種火山環境におけるクロスセンサの伝達性や堅牢性の向上につながった。

関連論文リスト

• Volcanic Clouds Detection through QCNN and Geostationary Satellite Multispectral Imagery [63.84017474733142]
  量子コンピューティングの最近の進歩は、地球観測(EO)データ分析の新しい可能性を開く。 これらの能力は、量子化モデルが衛星リモートセンシングにおける長年の課題に対処できるかどうかを探求する動機となった。 本研究では,火山雲を含む衛星画像の分類におけるハイブリッド量子畳み込みニューラルネットワーク(QCNN)の可能性について検討した。
  論文  参考訳（メタデータ） (2026-07-29T09:01:46Z)
• Hybrid Quantum-MambaVision: A Quantum-enhanced State Space Model for Calibrated Mixed-type Wafer Defect Detection [4.035311316221796]
  本稿では,空間知識発見に適した高効率アーキテクチャであるHybrid Quantum-MambaVisionを紹介する。 高不均衡なMixedWM38データセットでは、Hybrid Quantum-MambaVisionは例外的なマルチラベル分類性能を達成する。
  論文  参考訳（メタデータ） (2026-05-13T09:20:11Z)
• Neural quantum support vector data description for one-class classification [0.19116784879310023]
  1クラス分類(OCC)は、機械学習における多くの応用における根本的な問題である。 OCCのための古典量子ハイブリッドフレームワークであるNeural Quantum Support Vector Data Description (NQSVDD)を紹介する。 NQSVDDは古典的ニューラルネットワークとトレーニング可能な量子データ符号化と変分量子回路を統合し、OCCの目的に合わせて非線形な特徴変換を学習できるようにする。
  論文  参考訳（メタデータ） (2026-03-03T07:45:32Z)
• Enhancing Quantum Diffusion Models for Complex Image Generation [0.8373057326694194]
  本研究では,Adaptive Non-Local Observables (ANO)と統合されたハイブリッド量子古典的U-Netアーキテクチャについて検討する。 古典的データを高密度量子潜在空間に圧縮し、トレーニング可能な可観測物を活用することにより、古典的処理を補完する非局所的特徴を抽出することを目的としている。 完全なMNISTデータセット(桁 0-9)の実験結果から,提案アーキテクチャは全桁のクラスに対して,構造的に整合的で認識可能な画像を生成することができることが示された。
  論文  参考訳（メタデータ） (2026-02-03T11:32:19Z)
• Quantum AI for Cybersecurity: A hybrid Quantum-Classical models for attack path analysis [1.2676356746752895]
  本研究では,ハイブリッド量子古典学習の可能性について検討し,侵入検出のための特徴表現を強化する。 量子化された表現は、データが不足している場合により優れた攻撃リコールとクラス分離性を示す。 結果は、サイバーセキュリティタスクの一般化と表現品質を改善するための量子埋め込みの可能性を強調している。
  論文  参考訳（メタデータ） (2026-01-05T16:11:39Z)
• Enriching Earth Observation labeled data with Quantum Conditioned Diffusion Models [38.62950622229361]
  条件付き拡散フレームワーク内で量子演算を適用するハイブリッド量子古典アーキテクチャであるQCU-Netを導入する。 EuroSAT RGBデータセットの実験は、我々のQCU-Netが優れた結果を得ることを示す。 この研究は、地球観測領域におけるクラス条件量子拡散モデリングの最初の成功例である。
  論文  参考訳（メタデータ） (2025-12-23T15:40:31Z)
• Efficient High-Resolution Visual Representation Learning with State Space Model for Human Pose Estimation [60.80423207808076]
  高解像度の視覚表現を維持しながら長距離依存関係をキャプチャすることは、人間のポーズ推定のような密集した予測タスクに不可欠である。 マルチスケールの畳み込み操作で視覚状態空間モデルを拡張する動的ビジュアル状態空間(DVSS)ブロックを提案する。 HRVMambaは効率的な高分解能表現学習のための新しいモデルである。
  論文  参考訳（メタデータ） (2024-10-04T06:19:29Z)
• Quanv4EO: Empowering Earth Observation by means of Quanvolutional Neural Networks [62.12107686529827]
  本稿は、大量のリモートセンシングデータの処理において、量子コンピューティング技術を活用することへの大きなシフトを取り上げる。 提案したQuanv4EOモデルでは,多次元EOデータを前処理するための準進化法が導入された。 主要な知見は,提案モデルが画像分類の精度を維持するだけでなく,EOのユースケースの約5%の精度向上を図っていることを示唆している。
  論文  参考訳（メタデータ） (2024-07-24T09:11:34Z)
• HyperSIGMA: Hyperspectral Intelligence Comprehension Foundation Model [88.13261547704444]
  Hyper SIGMAは、タスクやシーン間でHSI解釈を統合するビジョントランスフォーマーベースの基礎モデルである。 さらに,約450Kのハイパースペクトル画像を含む,事前学習のための大規模ハイパースペクトルデータセットHyperGlobal-450Kを構築した。
  論文  参考訳（メタデータ） (2024-06-17T13:22:58Z)
• Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral Super-Resolution [79.97180849505294]
  本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。 3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
  論文  参考訳（メタデータ） (2020-07-10T08:08:20Z)

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。