基于量子卷积神经网络的图像识别新模型
为了解决卷积神经网络对内存和时间效率要求越来越高的问题,提出一种面向数字图像分类的新模型,该模型为基于强纠缠参数化线路的量子卷积神经网络.首先对经典图像进行预处理和量子比特编码,提取图像的特征信息,并将其制备为量子态作为量子卷积神经网络模型的输入.通过设计模型量子卷积层、量子池化层、量子全连接层结构,高效提炼主要特征信息,最后对模型输出执行Z基测量,根据期望值完成图像分类.实验数据集为MNIST数据,{0,1}分类和{2,7}分类准确率均达到了100%.对比结果表明,采用平均池化下采样的三层网络结构的QCNN模型具有更高的测试精度.
量子计算、图像分类、量子卷积神经网络、参数化量子电路
51
TP301(计算技术、计算机技术)
国家自然科学基金;国家自然科学基金;山东省自然基金面上项目;山东省自然科学基金;山东省高等教育科技计划项目
2022-10-13(万方平台首次上网日期,不代表论文的发表时间)
共10页
641-650