一种用于提升神经网络模型图像分类精度的新型量子预处理滤波器的开发
量子物理
2023-08-23 v1 计算机视觉与模式识别
机器学习
摘要
本文提出了一种新型量子预处理滤波器（QPF）以提升神经网络（NN）模型的图像分类精度。在将数据送入全连接NN架构之前，应用了一个简单的四量子比特量子电路作为特征提取滤波器，该电路使用Y旋转门进行编码，并使用两个受控非门在量子比特间建立关联。通过应用QPF方法，结果表明基于MNIST（手写10位数字）和EMNIST（手写47类数字与字母）数据集的图像分类精度分别可从92.5%提升至95.4%、从68.9%提升至75.9%。这些改进是在机器学习过程中未引入额外模型参数或优化的情况下获得的。然而，针对具有43类真实交通标志图像的相对复杂的GTSRB数据集所开发的QPF方法的测试显示分类精度有所下降。考虑到这一结果，可利用本文提出的基线方法进一步研究并设计更适合图像分类神经网络的量子电路方法。
引用
@article{arxiv.2308.11112,
title = {Development of a Novel Quantum Pre-processing Filter to Improve Image Classification Accuracy of Neural Network Models},
author = {Farina Riaz and Shahab Abdulla and Hajime Suzuki and Srinjoy Ganguly and Ravinesh C. Deo and Susan Hopkins},
journal= {arXiv preprint arXiv:2308.11112},
year = {2023}
}
备注
13 pages, 10 figures