一种图像识别方法、装置及电子设备和存储介质制造方法及图纸

本申请公开了一种图像识别方法、装置及一种电子设备和计算机可读存储介质，该方法包括：获取图像数据，将所述图像数据映射到量子态空间，以生成图像量子数据；将所述图像量子数据输入卷积神经网络中进行图像识别；其中，所述卷积神经网络包括多个卷积层和输出层，每个所述卷积层包括多个通道，所述输出层包括多个通道。本申请提供的图像识别方法，将传统的卷积神经网络计算模式与量子计算相结合，利用卷积神经网络的高效表达能力，更有效的进行图像识别任务，提高了图像识别的准确度。提高了图像识别的准确度。提高了图像识别的准确度。

【技术实现步骤摘要】
一种图像识别方法、装置及电子设备和存储介质


[0001]本申请涉及图像识别
，更具体地说，涉及一种图像识别方法、装置及一种电子设备和一种计算机可读存储介质。

技术介绍

[0002]图像识别领域中，卷积神经网络的应用十分广泛，更在逐步成为最为主流的机器学习算法。而量子计算则是近些年最为火热的研究方向，因为其具有的高并行、超大存储空间等特点，充满了高性能计算所需的发展潜力。随着目前数据量的日益增大，机器学习的模型也与日剧增，对传统卷积神经网络模型的计算已逐渐遇到算力瓶颈，所以卷积神经网络与量子计算的理论相结合，发展量子卷积神经网络计算，是对未来高性能机器学习算法的探索，是目前机器学习研究中的极具潜力的前沿课题，同时它也很可能是未来人工智能发展的新热点。
[0003]但是，在相关技术中卷积神经网络应用于图像识别时准确度较低，因此，如何提高图像识别的准确度是本领域技术人员需要解决的技术问题。

技术实现思路

[0004]本申请的目的在于提供一种图像识别方法、装置及一种电子设备和一种计算机可读存储介质，提高了图像识别的准确度。
[0005]为实现上述目的，本申请提供了一种图像识别方法，包括：获取图像数据，将所述图像数据映射到量子态空间，以生成图像量子数据；将所述图像量子数据输入卷积神经网络中进行图像识别；其中，所述卷积神经网络包括多个卷积层和输出层，每个所述卷积层包括多个通道，所述输出层包括多个通道。
[0006]其中，将所述图像数据映射到量子态空间，以生成图像量子数据，包括：利用量子旋转门对所述图像数据中的每个像素点对应的辅助比特进行操作，得到每个所述像素点对应的量子比特数据，以生成所述图像数据对应的图像量子数据。
[0007]其中，将所述图像量子数据输入卷积神经网络中进行图像识别，包括：将所述图像量子数据输入第一个卷积层中，得到第一个卷积层的输出特征图；将第c
‑
1个卷积层的输出特征图输入第c个卷积层中，得到第c个卷积层的输出特征图；将最后一个卷积层的输出特征图输入所述输出层中，根据所述输出层的输出结果确定所述图像数据的类别。
[0008]其中，第c
‑
1个卷积层输出m
c
‑1个输出特征图，c为大于1的正整数；相应的，所述将第c
‑
1个卷积层的输出特征图输入第c个卷积层中，得到第c个卷积层的输出特征图，包括：在第c个卷积层中的每个通道中，利用每个通道对应的量子卷积核对第c
‑
1个卷积层的输出特征图进行卷积操作，得到每个通道对应的m
c
‑1个中间特征图；
在第c个卷积层中的每个通道中，对每个通道对应的m
c
‑1个中间特征图中对应位置的量子比特数据进行聚合，得到每个通道的输出特征图；将第c个卷积层中所有通道的输出特征图确定为第c个卷积层的输出特征图。
[0009]其中，所述将最后一个卷积层的输出特征图输入所述输出层中，根据所述输出层的输出结果确定所述图像数据的类别，包括：在所述输出层中的每个通道中，利用所述输出层中的每个通道对应的量子卷积核对最后一个卷积层的输出特征图进行卷积操作，得到每个通道对应的输出量子比特数据；在所述输出层中的每个通道中，将每个通道对应的输出量子比特数据中|1>状态的概率确定为每个通道的输出概率；将输出概率最大的通道对应的类别确定为所述图像数据的类别。
[0010]其中，所述在第c个卷积层中的每个通道中，对每个通道对应的m
c
‑1个中间特征图中对应位置的量子比特数据进行聚合，得到每个通道的输出特征图，包括：在第c个卷积层中的每个通道中，通过多量子比特控制非门对每个通道对应的m
c
‑1个中间特征图中对应位置的量子比特数据进行聚合，得到每个通道的输出特征图。
[0011]其中，还包括：获取训练图像数据，并确定所述训练图像数据对应的类别标签；将所述训练图像数据映射到量子态空间，以生成训练图像量子数据；利用所述训练图像量子数据和对应的类别标签对所述卷积神经网络进行训练。
[0012]为实现上述目的，本申请提供了一种图像识别装置，包括：映射模块，用于获取图像数据，将所述图像数据映射到量子态空间，以生成图像量子数据；识别模块，用于将所述图像量子数据输入卷积神经网络中进行图像识别；其中，所述卷积神经网络包括多个卷积层和输出层，每个所述卷积层包括多个通道，所述输出层包括多个通道。
[0013]为实现上述目的，本申请提供了一种电子设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如上述图像识别方法的步骤。
[0014]为实现上述目的，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述图像识别方法的步骤。
[0015]通过以上方案可知，本申请提供的一种图像识别方法，包括：获取图像数据，将所述图像数据映射到量子态空间，以生成图像量子数据；将所述图像量子数据输入卷积神经网络中进行图像识别；其中，所述卷积神经网络包括多个卷积层和输出层，每个所述卷积层包括多个通道，所述输出层包括多个通道。
[0016]本申请提供的图像识别方法，将传统的卷积神经网络计算模式与量子计算相结合，利用卷积神经网络的高效表达能力，更有效的进行图像识别任务，提高了图像识别的准确度。本申请还公开了一种图像识别装置及一种电子设备和一种计算机可读存储介质，同样能实现上述技术效果。
[0017]应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本
申请。
附图说明
[0018]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：图1为根据一示例性实施例示出的一种图像识别方法的流程图；图2为根据一示例性实施例示出的一种卷积层通道卷积过程的示意图；图3为根据一示例性实施例示出的一种卷积层通道聚合过程的示意图；图4为根据一示例性实施例示出的一种输出层输出比特计算过程的示意图；图5为根据一示例性实施例示出的一种图像识别装置的结构图；图6为根据一示例性实施例示出的一种电子设备的结构图。
具体实施方式
[0019]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。另外，在本申请实施例中，“第一”、“第二”等是用于区本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像识别方法，其特征在于，包括：获取图像数据，将所述图像数据映射到量子态空间，以生成图像量子数据；将所述图像量子数据输入卷积神经网络中进行图像识别；其中，所述卷积神经网络包括多个卷积层和输出层，每个所述卷积层包括多个通道，所述输出层包括多个通道。2.根据权利要求1所述图像识别方法，其特征在于，将所述图像数据映射到量子态空间，以生成图像量子数据，包括：利用量子旋转门对所述图像数据中的每个像素点对应的辅助比特进行操作，得到每个所述像素点对应的量子比特数据，以生成所述图像数据对应的图像量子数据。3.根据权利要求1所述图像识别方法，其特征在于，将所述图像量子数据输入卷积神经网络中进行图像识别，包括：将所述图像量子数据输入第一个卷积层中，得到第一个卷积层的输出特征图；将第c
‑
1个卷积层的输出特征图输入第c个卷积层中，得到第c个卷积层的输出特征图；将最后一个卷积层的输出特征图输入所述输出层中，根据所述输出层的输出结果确定所述图像数据的类别。4.根据权利要求3所述图像识别方法，其特征在于，第c
‑
1个卷积层输出m
c
‑1个输出特征图，c为大于1的正整数；相应的，所述将第c
‑
1个卷积层的输出特征图输入第c个卷积层中，得到第c个卷积层的输出特征图，包括：在第c个卷积层中的每个通道中，利用每个通道对应的量子卷积核对第c
‑
1个卷积层的输出特征图进行卷积操作，得到每个通道对应的m
c
‑1个中间特征图；在第c个卷积层中的每个通道中，对每个通道对应的m
c
‑1个中间特征图中对应位置的量子比特数据进行聚合，得到每个通道的输出特征图；将第c个卷积层中所有通道的输出特征图确定为第c个卷积层的输出特征图。5.根据权利要求3所述图像识别方法，其特征在于，所述将最后一个卷积...

【专利技术属性】
技术研发人员：姜金哲，张新，李辰，李红珍，
申请(专利权)人：苏州浪潮智能科技有限公司，
类型：发明
国别省市：