遥感图像量子识别方法、装置、存储介质及电子装置制造方法及图纸

本发明专利技术公开了一种遥感图像量子识别方法、装置、存储介质及电子装置，通过接收遥感设备拍摄的待识别遥感图像；将所述待识别遥感图像输入至包括量子空洞卷积神经网络和分类器的图像分类模型，所述量子空洞卷积神经网络被训练基于遥感图像的像素来提取目标物体特征，所述分类器被训练基于目标物体特征预测遥感图像中目标物体的种类；接收所述图像分类模型输出的预测数据，并提供所述预测数据作为输出，所述预测数据用于表征所述待识别遥感图像中目标物体的种类，利用量子计算的高速计算能力，实现了遥感图像的识别速度的提高。实现了遥感图像的识别速度的提高。实现了遥感图像的识别速度的提高。

【技术实现步骤摘要】
遥感图像量子识别方法、装置、存储介质及电子装置


[0001]本专利技术属于量子计算
，特别是一种遥感图像量子识别方法、装置、存储介质及电子装置。

技术介绍

[0002]从遥感图像中提取有价值的知识信息成为当前备受关注的研究课题，而对其中目标物体的识别正是一项重要的手段。
[0003]面对海量的遥感图像数据，目前依靠人工判读或经典计算机处理的时效性还是不高，难以快速挖掘到有价值的数据，无法满足现代生活中环境监测、灾害处理、城市管理等方面所要求的及时分析处理的客观需求。因此如何提高遥感图像的识别速度是亟需解决的问题。

技术实现思路

[0004]本专利技术的目的是提供一种遥感图像量子识别方法、装置、存储介质及电子装置，旨在提高遥感图像的识别速度。
[0005]本专利技术的一个实施例提供了一种遥感图像量子识别方法，所述方法包括：
[0006]接收遥感设备拍摄的待识别遥感图像；
[0007]将所述待识别遥感图像输入至包括量子空洞卷积神经网络和分类器的图像分类模型，所述量子空洞卷积神经网络被训练基于遥感图像的像素来提取目标物体特征，所述分类器被训练基于目标物体特征预测遥感图像中目标物体的种类；
[0008]接收所述图像分类模型输出的预测数据，并提供所述预测数据作为输出，所述预测数据用于表征所述待识别遥感图像中目标物体的种类。
[0009]可选的，所述量子空洞卷积神经网络包括编码层，所述编码层用于将目标像素编码至量子比特的初始态，所述目标像素是基于预设的扩张率和卷积核从所述待识别遥感图像中确定的，所述初始态用于提取所述待识别遥感图像的目标物体特征。
[0010]可选的，所述编码层包括依次作用于所述量子比特的H门、RY门和RZ门，所述RY门的旋转参数基于所述目标像素的反三角函数值确定，所述RZ门的旋转参数基于所述目标像素平方的反三角函数值确定。
[0011]可选的，所述量子空洞卷积神经网络还包括纠缠层和测量层，所述纠缠层用于将所述初始态演化至包括目标物体特征信息的纠缠态，所述测量层用于对所述量子比特进行测量，从所述纠缠态中提取所述待识别遥感图像的目标物体特征。
[0012]可选的，所述纠缠层包括依次作用于相邻所述量子比特的CNOT门、作用于相间隔所述量子比特的CNOT门和作用于所述量子比特的含参量子逻辑门，所述含参量子逻辑门基于训练所述量子空洞卷积神经网络模型的损失函数确定。
[0013]可选的，所述损失函数为：
[0014][0015]其中，Loss为损失函数，n为用于训练的遥感图像的数量，y
i
为目标物体在第i个用于训练的遥感图像中的真实位置，f
i
为目标物体在第i个用于训练的遥感图像中的预测位置，p
i
为第i个用于训练的遥感图像中的目标物体的真实标签概率分布，c
i
为第i个用于训练的遥感图像中的目标物体的预测标签概率分布。
[0016]可选的，所述将所述待识别遥感图像输入至包括量子空洞卷积神经网络和分类器的图像分类模型之前，包括：
[0017]对所述待识别遥感图像进行尺寸变换和归一化处理，得到所述量子空洞卷积神经网络允许输入的待识别遥感图像。
[0018]本专利技术的又一实施例提供了一种遥感图像量子识别装置，所述装置包括：
[0019]通信单元，用于接收遥感设备拍摄的待识别遥感图像；
[0020]处理单元，用于将所述待识别遥感图像输入至包括量子空洞卷积神经网络和分类器的图像分类模型，所述量子空洞卷积神经网络被训练基于遥感图像的像素来提取目标物体特征，所述分类器被训练基于目标物体特征预测遥感图像中目标物体的种类；
[0021]所述通信单元，还用于接收所述图像分类模型输出的预测数据，并提供所述预测数据作为输出，所述预测数据用于表征所述待识别遥感图像中目标物体的种类。
[0022]可选的，所述量子空洞卷积神经网络包括编码层，所述编码层用于将目标像素编码至量子比特的初始态，所述目标像素是基于预设的扩张率和卷积核从所述待识别遥感图像中确定的，所述初始态用于提取所述待识别遥感图像的目标物体特征。
[0023]可选的所述编码层包括依次作用于所述量子比特的H门、RY门和RZ门，所述RY门的旋转参数基于所述目标像素的反三角函数值确定，所述RZ门的旋转参数基于所述目标像素平方的反三角函数值确定。
[0024]可选的，所述量子空洞卷积神经网络还包括纠缠层和测量层，所述纠缠层用于将所述初始态演化至包括目标物体特征信息的纠缠态，所述测量层用于对所述量子比特进行测量，从所述纠缠态中提取所述待识别遥感图像的目标物体特征。
[0025]可选的，所述纠缠层包括依次作用于相邻所述量子比特的CNOT门、作用于相间隔所述量子比特的CNOT门和作用于所述量子比特的含参量子逻辑门，所述含参量子逻辑门基于训练所述量子空洞卷积神经网络模型的损失函数确定。
[0026]可选的，所述损失函数为：
[0027][0028]其中，Loss为损失函数，n为用于训练的遥感图像的数量，y
i
为目标物体在第i个用于训练的遥感图像中的真实位置，f
i
为目标物体在第i个用于训练的遥感图像中的预测位置，p
i
为第i个用于训练的遥感图像中的目标物体的真实标签概率分布，c
i
为第i个用于训练的遥感图像中的目标物体的预测标签概率分布。
[0029]可选的，所述将所述待识别遥感图像输入至包括量子空洞卷积神经网络和分类器
的图像分类模型之前，包括：
[0030]对所述待识别遥感图像进行尺寸变换和归一化处理，得到所述量子空洞卷积神经网络允许输入的待识别遥感图像。
[0031]本专利技术的又一实施例提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一实施例中所述的方法。
[0032]本专利技术的又一实施例提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一实施例中所述的方法。
[0033]与现有技术相比，本专利技术提供的一种遥感图像识别方法、装置、存储介质及电子装置，通过接收遥感设备拍摄的待识别遥感图像；将所述待识别遥感图像输入至包括量子空洞卷积神经网络和分类器的图像分类模型，所述量子空洞卷积神经网络被训练基于遥感图像的像素来提取目标物体特征，所述分类器被训练基于目标物体特征预测遥感图像中目标物体的种类；接收所述图像分类模型输出的预测数据，并提供所述预测数据作为输出，所述预测数据用于表征所述待识别遥感图像中目标物体的种类，利用量子计算的高速计算能力，实现了遥感图像的识别速度和准确度的提高。
附图说明
[0034]图1为本专利技术实施例提供的一种遥感图像量子识别方法的计算机终端的硬件结构框图；
[0035]图2为本专利技术实施例提供的一种遥感图像量子识本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种遥感图像量子识别方法，其特征在于，所述方法包括：接收遥感设备拍摄的待识别遥感图像；将所述待识别遥感图像输入至包括量子空洞卷积神经网络和分类器的图像分类模型，所述量子空洞卷积神经网络被训练基于遥感图像的像素来提取目标物体特征，所述分类器被训练基于目标物体特征预测遥感图像中目标物体的种类；接收所述图像分类模型输出的预测数据，并提供所述预测数据作为输出，所述预测数据用于表征所述待识别遥感图像中目标物体的种类。2.如权利要求1所述的方法，其特征在于，所述量子空洞卷积神经网络包括编码层，所述编码层用于将目标像素编码至量子比特的初始态，所述目标像素是基于预设的扩张率和卷积核从所述待识别遥感图像中确定的，所述初始态用于提取所述待识别遥感图像的目标物体特征。3.如权利要求2所述的方法，其特征在于，所述编码层包括依次作用于所述量子比特的H门、RY门和RZ门，所述RY门的旋转参数基于所述目标像素的反三角函数值确定，所述RZ门的旋转参数基于所述目标像素平方的反三角函数值确定。4.如权利要求3所述的方法，其特征在于，所述量子空洞卷积神经网络还包括纠缠层和测量层，所述纠缠层用于将所述初始态演化至包括目标物体特征信息的纠缠态，所述测量层用于对所述量子比特进行测量，从所述纠缠态中提取所述待识别遥感图像的目标物体特征。5.如权利要求4所述的方法，其特征在于，所述纠缠层包括依次作用于相邻所述量子比特的CNOT门、作用于相间隔所述量子比特的CNOT门和作用于所述量子比特的含参量子逻辑门，所述含参量子逻辑门基于训练所述量子空洞卷积神经网络模型的损失函数确定。6.如权利要求5所述的方法，其特征在于，所述损失函数为：其中，Loss为损失函数，n为用于训练的遥感...

【专利技术属性】
技术研发人员：杨军，王滨，高涛，窦猛汉，方圆，李蕾，王伟，
申请(专利权)人：本源量子计算科技合肥股份有限公司，
类型：发明
国别省市：