論文の概要: Quantum-Grassmann-Plucker Token Mixing for Deep Learning-Based Post-Disaster Damage Assessment

• arxiv url: http://arxiv.org/abs/2608.30633v1
• Date: Mon, 31 Aug 2026 11:42:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.366378
• Title: Quantum-Grassmann-Plucker Token Mixing for Deep Learning-Based Post-Disaster Damage Assessment
• Title（参考訳）: 深層学習に基づく災害後被害評価のための量子グラスマン・プルッカートケミキシング
• Abstract要約: 本研究では,Grassmann-Pluckerトークンミキシングのコンピュータビジョンへの応用について述べる。 画像分類には、Quantum-inspired Grassmann-PluckerヘッドとHybrid Quantum Machine Learning Grassmann-Pluckerヘッドの2つの拡張が導入されている。 QGPは両方のテストセットを精度とマクロF1でリードした: 83.46%、64.50%、66.45%、52.70%。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Timely post-disaster building damage assessment from satellite imagery is a critical engineering decision support task, yet it remains constrained by class imbalance, ambiguous intermediate damage states, and limited cross-event transferability. This study presents, to our knowledge, the first application of Grassmann-Plucker (GP) token mixing to computer vision and introduces two extensions for image classification: the Quantum-inspired Grassmann-Plucker (QGP) head and the Hybrid Quantum Machine Learning Grassmann-Plucker (HQML-GP) head. The GP head represents multiscale relationships among image patch tokens by encoding subspaces formed by token pairs with Plucker coordinates; QGP enriches these coordinates with amplitude-derived probability features, whereas HQML-GP incorporates expectation values generated by a simulated quantum circuit into the geometric token representation. Paired pre- and post-event image patches from the xBD tornado dataset were processed using a frozen six-channel Vision Transformer base encoder with 16 x 16-pixel patches. The three GP-based heads were compared with multilayer perceptron and Transformer baselines under identical training, checkpoint selection, and evaluation protocols. Joplin and Moore tornado samples were used for model development and seen-event testing, while Tuscaloosa was reserved for unseen-event evaluation. QGP led both test sets in accuracy and macro-F1: 83.46% and 64.50% for the seen events, and 66.45% and 52.70% for the unseen event. Although HQML-GP obtained the highest validation macro-F1 of 65.63%, it did not surpass QGP on either test set and required substantially more training time per epoch. These results establish GP token mixing as a competitive attention-free alternative to conventional Transformer-based token mixing for paired satellite image damage classification.
• Abstract（参考訳）: 衛星画像からのタイムリーな建物損傷評価は、重要な工学的決定支援課題であるが、クラス不均衡、あいまいな中間損傷状態、限られた異物移動性に制約されている。 本研究は,コンピュータビジョンにおけるGrassmann-Plucker(GP)トークンミキシングの最初の応用として,Quantum-inspired Grassmann-Plucker(QGP)ヘッドとHybrid Quantum Machine Learning Grassmann-Plucker(HQML-GP)ヘッドの2つの拡張を紹介した。 GPヘッドは、トークン対とプルッカー座標で形成された部分空間を符号化することにより、画像パッチトークン間のマルチスケールな関係を表現し、QGPは振幅由来の確率特徴でこれらの座標を豊かにする一方、HQML-GPは、シミュレーション量子回路によって生成された期待値を幾何学的トークン表現に組み込む。 xBDトルネードデータセットのペア化前と後の画像パッチは、凍結した6チャンネルのVision Transformerベースエンコーダと16 x 16ピクセルのパッチを使用して処理された。 3つのGPベースヘッドを,同一のトレーニング,チェックポイント選択,評価プロトコルの下で,多層パーセプトロンおよびトランスフォーマーベースラインと比較した。 ジョプリンとムーアの竜巻のサンプルはモデル開発とルックエアーテストに使用され、タスカルーサは目に見えない評価に使用された。 QGPは両方のテストセットを精度とマクロF1でリードした: 83.46%、64.50%、66.45%、52.70%。 HQML-GPは65.63%の検証マクロF1の最高値を得たが、どちらのテストセットでもQGPを超えず、エポックあたりのトレーニング時間を大幅に増やす必要があった。 これらの結果から,2つの衛星画像の損傷分類のための従来のTransformerベースのトークンミキシングの代替としてGPトークンミキシングが確立された。

関連論文リスト

• QTrans: A Quantum Transformer for Sentiment Classification [30.090297417712502]
  本稿では、パラメータ化量子回路を用いてクエリ、キー、値の特徴を構成するQTransモデルを提案する。 MR、CR、MPQAデータセットの実験結果は、QTransがそれぞれ72.13%、69.51%、63.45%のテスト精度を達成したことを示している。
  論文  参考訳（メタデータ） (2026-09-10T06:04:31Z)
• Predicting Multipartite Entanglement in Quantum Circuits using Transformer [0.11242503819703259]
  マルチパーティ・エンタングルメントはパラメータ化量子回路(PQC)の臨界特性である グラフベースの変圧器サロゲートを導入し、メイヤー=ワラッハ測度(Q$)とスコット測度(Q$)の両方を予測する。 我々の中心的な貢献は、トランスのためのqubit-inter connected graph (QIG)エンコーディングであり、各ノードは、量子ビットおよび重み付き隣接性の記録エンタングゲート多重度を表す。
  論文  参考訳（メタデータ） (2026-08-28T07:00:20Z)
• Investigating Quantum-Embedded Transformers on Classical Datasets for Cross-Modality Classification [1.472161528588343]
  パラメタライズド量子回路(PQC)が古典的データセット上でのハイブリッド量子古典モデルの性能を向上させるかどうかを検証する。 我々のアーキテクチャであるQuantum-Embedded Attention (QEA)は学習可能なプロジェクタを用いてバックボーンの機能を$n_q$-dimensional角ベクトルに圧縮する。 提案手法では,全ての標準実行を報告し,現在のパウリ可読化結果と従来の確率可読化実験とを区別し,ボトルネック,シミュレーション,有限ショット,雑音の制限を解析する。
  論文  参考訳（メタデータ） (2026-08-07T06:09:28Z)
• Configurable Algorithms for Histopathologic Cancer Detection on Quantum Hardware [3.569867801312132]
  病理組織学的癌検出は, 組織変動, 染色の違い, 病巣間の微妙な視覚的区別が原因で困難である。 本稿では,二段階CSWAP回路(DG-CSWAP)とハードウェア効率の高い破壊スワップ回路(DG-DST)の2つの量子アルゴリズムを提案する。 読み出し誤差補正、バイアスサブトラクション、傾斜回帰を含む3段階のNISQ軽減パイプラインは、シングルピクセルのハードウェアMSEを8倍削減する。
  論文  参考訳（メタデータ） (2026-06-19T21:12:51Z)
• Quantum Feature Pyramid Gating for Seismic Image Segmentation [0.0]
  この研究は、ハイブリッドセグメンテーションアーキテクチャである量子特徴ゲーティングを導入している。 パラメータ化量子回路をエンコーダ・デコーダパイプライン内の特徴核融合点に埋め込む。 2018年のTGS Salt Identification Challengeでは、101 x 101の解像度で4,000の地震画像を用いて評価されている。
  論文  参考訳（メタデータ） (2026-05-14T19:50:01Z)
• Score-Based Turbo Message Passing for Plug-and-Play Compressive Imaging [45.77515171733844]
  圧縮画像回復のためのスコアベース最小平均二乗誤差(MMSE)デノイザを統合するアルゴリズムを考案する。 得られたアルゴリズムはスコアベースのターボメッセージパッシング(STMP)と呼ばれ、メッセージパッシングの高速収束とスコアベースの生成前のパワーを組み合わせたものである。
  論文  参考訳（メタデータ） (2025-12-16T14:24:12Z)
• The Geometry of LLM Quantization: GPTQ as Babai's Nearest Plane Algorithm [46.167267094420644]
  GPTQは古典的最近ベクトル問題に対するババイの最も近い平面アルゴリズムと数学的に同一であることを示す。 我々は、クリッピングを回避し、元のGPTQより優れるポストトレーニング量子化法を設計する。
  論文  参考訳（メタデータ） (2025-07-24T16:22:18Z)
• APHQ-ViT: Post-Training Quantization with Average Perturbation Hessian Based Reconstruction for Vision Transformers [71.2294205496784]
  平均摂動ヘシアン (APH) を用いた重要度推定に基づく新しいPTQ手法である textbfAPHQ-ViT を提案する。 本稿では,線形量子化器を用いたAPHQ-ViTが既存のPTQ法よりも3ビット,4ビットの差が大きいことを示す。
  論文  参考訳（メタデータ） (2025-04-03T11:48:56Z)
• Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
  量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
  論文  参考訳（メタデータ） (2024-11-13T23:56:20Z)
• GMConv: Modulating Effective Receptive Fields for Convolutional Kernels [52.50351140755224]
  畳み込みニューラルネットワークでは、固定N$times$N受容場(RF)を持つ正方形カーネルを用いて畳み込みを行う。 ERFが通常ガウス分布を示す性質に着想を得て,本研究でガウス・マスク畳み込みカーネル(GMConv)を提案する。 私たちのGMConvは、既存のCNNの標準の畳み込みを直接置き換えることができ、標準のバックプロパゲーションによって、エンドツーエンドで簡単に訓練することができます。
  論文  参考訳（メタデータ） (2023-02-09T10:17:17Z)
• Prediction Calibration for Generalized Few-shot Semantic Segmentation [101.69940565204816]
  汎用Few-shot Semantic (GFSS) は、各画像ピクセルを、豊富なトレーニング例を持つベースクラスか、クラスごとにわずかに(例: 1-5)のトレーニングイメージを持つ新しいクラスのいずれかに分割することを目的としている。 我々は、融合したマルチレベル機能を用いて、分類器の最終予測をガイドするクロスアテンションモジュールを構築する。 私たちのPCNは、最先端の代替品よりも大きなマージンで優れています。
  論文  参考訳（メタデータ） (2022-10-15T13:30:12Z)
• QOC: Quantum On-Chip Training with Parameter Shift and Gradient Pruning [18.939312562621634]
  パラメータシフトを用いた実践的PQCトレーニングの初回実験であるQOCについて述べる。 確率的勾配プルーニング(probabilistic gradient pruning)を提案する。 その結果,2クラス,4クラスの画像分類作業において,オンチップトレーニングが90%以上,60%以上の精度で達成できることが示唆された。
  論文  参考訳（メタデータ） (2022-02-26T22:27:36Z)

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。