論文の概要: Quantum-Gated LiteSSD: A Parameter-Efficient Lightweight Hybrid Quantum-Classical Framework for Forward-Looking Sonar Object Detection

• arxiv url: http://arxiv.org/abs/2609.14025v1
• Date: Sat, 12 Sep 2026 16:20:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.643211
• Title: Quantum-Gated LiteSSD: A Parameter-Efficient Lightweight Hybrid Quantum-Classical Framework for Forward-Looking Sonar Object Detection
• Title（参考訳）: 量子ゲート型LiteSSD: 前向きソナー物体検出のためのパラメータ効率のよいハイブリッド量子-古典的フレームワーク
• Abstract要約: 前方向きのソナー物体検出は水中での知覚には不可欠であるが、組込みプラットフォームへの展開には極めてコンパクトなモデルが必要である。 我々はQuantum-Gated LiteSSDを紹介した。Quantum-Gated LiteSSDはパラメータ効率のよいハイブリッド量子古典検出器であり、Quantum-Gated LiteSSDはQuantum-Gated LiteSSDのマルチ回路量子処理を再構成する。 Marine Debris WatertankデータセットとUATD前方のソナーベンチマークの実験は、効果的なパラメーター-精度トレードオフを示している。
• 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: Forward-looking sonar object detection is essential for underwater perception, yet deployment on embedded platforms requires highly compact models. To address this challenge, we explore quantum computing and introduce Quantum-Gated LiteSSD, a parameter-efficient hybrid quantum--classical detector that reformulates QuCNet-style multi-circuit quantum processing as an identity-centered channel-gating mechanism for spatial feature modulation. Experiments on the Marine Debris Watertank dataset and UATD forward-looking sonar benchmarks demonstrate an effective parameter--accuracy trade-off. The proposed detector achieves 90.84% $\mathrm{mAP}_{50}$ on Watertank with approximately $62\times$ fewer parameters than YOLO26s and $164.3\times$ fewer parameters than SSD-VGG16. On UATD, the model achieves 70.37% $\mathrm{mAP}_{50}$ with only 0.150M parameters, making it approximately $4.1\times$ smaller than SSGA-YOLO while retaining meaningful multi-class detection capability.
• Abstract（参考訳）: 前方向きのソナー物体検出は水中での知覚には不可欠であるが、組込みプラットフォームへの展開には極めてコンパクトなモデルが必要である。 この課題に対処するために,Quantum-Gated LiteSSDを導入する。Quantum-Gated LiteSSDはパラメータ効率のよいハイブリッド量子古典検出器で,空間的特徴変調のためのアイデンティティ中心のチャネルゲーティング機構としてQuantum-Gated quantum-classical Detectorを用いてQuCNetスタイルのマルチ回路量子処理を再構成する。 Marine Debris WatertankデータセットとUATD前方のソナーベンチマークの実験は、効果的なパラメーター-精度トレードオフを示している。 提案した検出器は、Watertank上の90.84%$\mathrm{mAP}_{50}$で、YOLO26sよりも約6,2\times$少ないパラメータ、SSD-VGG16より少ないパラメータは164.3\times$である。 UATDでは、70.37%の$\mathrm{mAP}_{50}$が0.150Mパラメータで達成され、SSGA-YOLOよりも約4.1\times$が小さく、有意義なマルチクラス検出能力を維持している。

関連論文リスト

• Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
  大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。 本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。 我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。 スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
  論文  参考訳（メタデータ） (2026-08-25T15:07:11Z)
• QFedAgent: Quantum-Enhanced Personalized Federated Learning for Multi-Agent Activity Recognition [0.0]
  QFedAgentは、マルチエージェントアクティビティ認識のためのハイブリッド量子古典的パーソナライズされたFLフレームワークである。 このアプローチは、加速度計とジャイロスコープの相互作用をモデル化する変分量子回路融合モジュールを統合する。
  論文  参考訳（メタデータ） (2026-07-02T16:54:35Z)
• Parameter-Efficient Continuous-Variable Photonic Quantum Neural Networks for Edge Quantum AI: Demonstration in Oral Cancer Detection [0.0]
  スマートフォンベースのスクリーニングはスケーラブルな代替手段だが、エッジハードウェアの制約の中で動く軽量モデルが必要である。 CV-QNNの標準層に比べて40～45%のトレーニング可能なパラメータを削減できる簡易なDラウンドU$1$のCV-QNNアーキテクチャを提案する。 その結果,パラメータ効率,室温医用画像分類のためのCVフォトニック量子機械学習が得られた。
  論文  参考訳（メタデータ） (2026-06-26T16:37:53Z)
• Quantum-enhanced Large Language Models on Quantum Hardware via Cayley Unitary Adapters [0.0]
  大規模言語モデル(LLM)は人工知能を変革した。 トレーニング可能なパラメータはすべて、モデルサイズと不相応にスケールする古典的なメモリを必要とします。 量子コンピューティングは質的に異なる経路を提供するが、実際のハードウェア上での実践的な実証はいまだに解明されていない。
  論文  参考訳（メタデータ） (2026-05-07T09:25:56Z)
• qSHIFT: An Adaptive Sampling Protocol for Higher-Order Quantum Simulation [0.5635658368100682]
  量子シミュレーションは量子コンピューティングの基盤となる応用である。 標準手法は回路深度と精度のトレードオフに直面している。 これらの制限を克服する適応サンプリングプロトコルであるqSHIFTを導入する。
  論文  参考訳（メタデータ） (2026-04-29T03:47:21Z)
• GroverGPT: A Large Language Model with 8 Billion Parameters for Quantum Searching [43.496857395654764]
  量子チューリングマシンの出力をシミュレートするために,大規模言語モデルを活用する可能性について検討する。 特殊なモデルであるGroverGPTは、15兆以上のトークンでトレーニングされた。 OpenAIのGPT-4o(45%の精度)を一貫して上回り、6ビットと10ビットのデータセットでほぼ100%の精度を達成した。 また、3から6キュービットのデータで訓練すると、20キュービットを超えるシステムに対して95%を超える精度で強い一般化を示した。
  論文  参考訳（メタデータ） (2024-12-30T20:23:10Z)
• A Quantum Circuit-Based Compression Perspective for Parameter-Efficient Learning [19.178352290785153]
  量子パラメータ生成の枠組みに量子s適応(QPA)を導入する。 QPAはQNNと古典的な多層パーセプトロンマッピングモデルを統合し、微調整のためのパラメータを生成する。 Gemma-2とGPT-2をケーススタディとして、QPAはパラメータ効率のよい微調整法に対して重要なパラメータ還元を示す。
  論文  参考訳（メタデータ） (2024-10-13T14:09:29Z)
• Fast Flux-Activated Leakage Reduction for Superconducting Quantum Circuits [84.60542868688235]
  量子ビット実装のマルチレベル構造から生じる計算部分空間から漏れること。 パラメトリックフラックス変調を用いた超伝導量子ビットの資源効率向上のためのユニバーサルリーク低減ユニットを提案する。 繰り返し重み付け安定化器測定におけるリーク低減ユニットの使用により,検出されたエラーの総数を,スケーラブルな方法で削減できることを実証した。
  論文  参考訳（メタデータ） (2023-09-13T16:21:32Z)
• Cascaded Multiparameter Quantum Metrology [0.0]
  スクイージングは古典状態の感度を$e2r$で量子的に向上させ、$r approx 1$はスクイージングパラメータであることを示す。 我々は、同じ経路に沿って複数の位相シフトを検知する干渉計をモデル化し、コヒーレント状態と圧縮真空を組み合わせることで、最大量子優位性を実証した。
  論文  参考訳（メタデータ） (2023-04-17T18:22:48Z)
• EdgeYOLO: An Edge-Real-Time Object Detector [69.41688769991482]
  本稿では, 最先端のYOLOフレームワークをベースとした, 効率的で低複雑さかつアンカーフリーな物体検出器を提案する。 我々は,訓練中の過剰適合を効果的に抑制する拡張データ拡張法を開発し,小型物体の検出精度を向上させるためにハイブリッドランダム損失関数を設計する。 私たちのベースラインモデルは、MS 2017データセットで50.6%のAP50:95と69.8%のAP50、VisDrone 2019-DETデータセットで26.4%のAP50と44.8%のAP50に達し、エッジコンピューティングデバイスNvidia上でリアルタイム要求(FPS>=30)を満たす。
  論文  参考訳（メタデータ） (2023-02-15T06:05:14Z)
• Unimon qubit [42.83899285555746]
  超伝導量子ビットは、量子コンピュータを実装する最も有望な候補の1つである。 本稿では,高非線形性,dc電荷雑音に対する完全な感度,フラックス雑音に対する感度,共振器内の1つのジョセフソン接合のみからなる単純な構造を結合した超伝導量子ビット型ユニモンについて紹介し,実演する。
  論文  参考訳（メタデータ） (2022-03-11T12:57:43Z)
• Preparation of excited states for nuclear dynamics on a quantum computer [117.44028458220427]
  量子コンピュータ上で励起状態を作成するための2つの異なる方法を研究する。 シミュレーションおよび実量子デバイス上でこれらの手法をベンチマークする。 これらの結果から,フォールトトレラントデバイスに優れたスケーリングを実現するために設計された量子技術が,接続性やゲート忠実性に制限されたデバイスに実用的なメリットをもたらす可能性が示唆された。
  論文  参考訳（メタデータ） (2020-09-28T17:21:25Z)

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。