基于经典-量子混合CNN方法的水下图像板载分类
计算机视觉与模式识别
2025-07-25 v1 量子物理
摘要
从自主水下航行器（AUV）拍摄的水下图像通常存在光照不足、浑浊度高、对比度差、运动模糊和过度光散射等问题，因此需要图像增强技术以进行目标识别。机器学习方法正越来越多地被用于在这种不利条件下进行目标识别。这些针对AUV所拍图像的增强目标识别方法在水下管道与光缆监测、海底资源开采、海底测绘、水下物种探索等方面具有潜在应用前景。虽然经典机器学习方法在准确率方面非常高效，但它们需要大型数据集和大量的计算时间来进行图像分类。在本文中，我们首次使用量子-经典混合机器学习方法在AUV板载实现实时水下目标识别。我们使用自研AUV板载相机拍摄的实时运动模糊和低照度图像，并应用现有的混合机器学习方法进行目标识别。我们的混合方法包括使用量子电路对经典图像进行量子编码和展平，并将其发送至经典神经网络进行图像分类。我们将基于Pennylane的量子模拟器在GPU上运行的混合方法结果，与在板载NVIDIA GPU芯片组上使用预训练模型的混合方法结果，与相应的经典机器学习方法结果进行了比较。我们观察到，与经典机器学习方法相比，混合量子机器学习方法的效率超过65%，运行时间减少了三分之一，且训练模型所需的数据集规模缩小了50%。我们希望这项工作能为自主航行器中量子增强的实时计算机视觉开辟更多可能性。
引用
@article{arxiv.2404.13130,
title = {On-board classification of underwater images using hybrid classical-quantum CNN based method},
author = {Sreeraj Rajan Warrier and D Sri Harshavardhan Reddy and Sriya Bada and Rohith Achampeta and Sebastian Uppapalli and Jayasri Dontabhaktuni},
journal= {arXiv preprint arXiv:2404.13130},
year = {2025}
}