用于快速红树林测绘的量子特征赋能深度分类
量子物理
2025-03-03 v1 计算机视觉与模式识别
图像与视频处理
摘要
红树林测绘算法是环境监测的重要分类工具。最近的文献表明，与将像素视为空间独立的其他基于指数的 MM 方法相比，卷积神经网络对于利用空间连续性信息至关重要，从而带来分类性能的提升。在本工作中，我们更进一步表明，量子特征为 CNN 提供了全新的信息，以进一步提升分类结果。简而言之，CNN 计算仿射映射特征，而量子神经网络提供酉计算特征，从而在最终决策（分类）中提供新的视角。为了解决具有挑战性的 MM 问题，我们设计了一个纠缠的空间-光谱量子特征提取模块。值得注意的是，为了确保量子特征提供真正新颖的信息（不受传统 CNN 特征的影响），我们设计了一条完全由具有内置可解释性的量子神经元组成的独立网络轨道。然后将提取的纯量子信息与传统特征信息融合，以共同做出最终决策。所提出的量子赋能深度网络非常轻量，因此性能的提升确实来自于 CNN 与 QNN 的协作（而非参数增加）。将进行大量实验以展示 QEDNet 的优越性。
引用
@article{arxiv.2501.03360,
title = {Quantum Feature-Empowered Deep Classification for Fast Mangrove Mapping},
author = {Chia-Hsiang Lin and Po-Wei Tang and Alfredo R. Huete},
journal= {arXiv preprint arXiv:2501.03360},
year = {2025}
}
备注
This work has been accepted by IEEE Transactions on Geoscience and Remote Sensing (TGRS)