用于车辆分类的混合量子 ResNet 及其超参数优化
量子物理
2023-10-02 v2 计算机视觉与模式识别
机器学习
摘要
图像识别是机器学习算法的主要应用之一。然而,现代图像识别系统中使用的机器学习模型包含数百万参数,通常需大量计算时间来调整。此外,模型超参数的调整带来额外开销。因此,需要机器学习模型与超参数优化技术的新进展。本文提出一种量子启发的超参数优化技术与一种用于监督学习的混合量子-经典机器学习模型。我们在标准黑盒目标函数上基准测试了超参数优化方法,并观察到期望运行时间减少与适应度随搜索空间规模增长而改善的性能提升。我们在车辆图像分类任务中测试了我们的方法,并展示了采用张量列超参数优化的混合量子 ResNet 模型的全面实现。我们的测试显示出相对于相应的、与深度神经网络 ResNet34 一起使用的标准经典表格网格搜索方法的定性与定量优势。混合模型在 18 次迭代后获得 0.97 的分类准确度,而经典模型在 75 次迭代后达到 0.92 的准确度。
引用
@article{arxiv.2205.04878,
title = {Hybrid quantum ResNet for car classification and its hyperparameter optimization},
author = {Asel Sagingalieva and Mo Kordzanganeh and Andrii Kurkin and Artem Melnikov and Daniil Kuhmistrov and Michael Perelshtein and Alexey Melnikov and Andrea Skolik and David Von Dollen},
journal= {arXiv preprint arXiv:2205.04878},
year = {2023}
}
备注
16 pages, 10 figures