小型量子计算机上高光谱图像的核集
量子物理
2022-04-13 v2 计算机视觉与模式识别
新兴技术
摘要
机器学习（ML）技术被用于分析和处理大型遥感（RS）数据，一种著名的 ML 技术是支持向量机（SVM）。SVM 是一个二次规划（QP）问题，而 D-Wave 量子退火器（D-Wave QA）有望比常规计算机更高效地解决该 QP 问题。然而，由于输入量子比特极少，D-Wave QA 无法直接求解 SVM。因此，我们使用给定地球观测（EO）数据的核集（“数据集的核心”）在该小型 D-Wave QA 上训练 SVM。核集是原始数据集的一个小的、有代表性的加权子集，任何训练模型使用核集（相对于使用原始数据集）都能生成具有竞争力的类别。我们通过采用 Kullback-Leibler（KL）散度度量来度量原始数据集与其核集之间的接近程度。此外，我们使用 D-Wave QA 和常规方法在核集数据上训练了 SVM。我们得出结论：核集以非常小的 KL 散度度量刻画了原始数据集。此外，我们给出了 KL 散度结果以展示原始数据与其核集之间的接近程度。作为实际 RS 数据，我们使用了美国 Indian Pine 的高光谱图像（HSI）。
引用
@article{arxiv.2204.04691,
title = {Coreset of Hyperspectral Images on Small Quantum Computer},
author = {Soronzonbold Otgonbaatar and Mihai Datcu and Begüm Demir},
journal= {arXiv preprint arXiv:2204.04691},
year = {2022}
}
备注
Accepted to IGARSS2022. You may not be able to access this article after the publication in the conference