一种基于量子经典混合神经网络的图像分割方法及装置制造方法及图纸

本发明专利技术公开了一种基于量子经典混合神经网络的图像分割方法及装置，方法包括：获取目标图像；其中，所述目标图像为灰度图像或彩色图像；将所述目标图像输入预先训练完成的、用于图像分割的量子经典混合神经网络；其中，所述量子经典混合神经网络包括：用于特征提取的量子卷积网络和用于语义分割的经典神经网络，所述量子经典混合神经网络基于所述目标图像对应的训练图像及其对应的标签图像训练确定；运行所述量子经典混合神经网络，输出所述目标图像对应的分割图像。利用本发明专利技术实施例，能够实现量子计算在图像分割领域的应用，以发挥量子计算的并行加速优势，并补充相关技术的空白。白。白。

【技术实现步骤摘要】
一种基于量子经典混合神经网络的图像分割方法及装置


[0001]本专利技术属于量子计算
，特别是一种基于量子经典混合神经网络的图像分割方法及装置。

技术介绍

[0002]量子计算机是一类遵循量子力学规律进行高速数学和逻辑运算、存储及处理量子信息的物理装置。当某个装置处理和计算的是量子信息，运行的是量子算法时，它就是量子计算机。量子计算机因其具有相对普通计算机更高效的处理数学问题的能力，例如，能将破解RSA密钥的时间从数百年加速到数小时，故成为一种正在研究中的关键技术。
[0003]在经典计算机领域，神经网络可以用于图像语义分割、自然语言处理、语音识别等领域，旨在提取图像、语言、语音等信息载体中的特征信息。然而，量子计算的技术如何应用于神经网络图像分割等领域亟需探索解决。

技术实现思路

[0004]本专利技术的目的是提供一种基于量子经典混合神经网络的图像分割方法及装置，以解决现有技术中的不足，它能够实现量子计算在图像分割领域的应用，以发挥量子计算的并行加速优势，并补充相关技术的空白。
[0005]本申请的一个实施例提供了一种基于量子经典混合神经网络的图像分割方法，方法包括：
[0006]获取目标图像；其中，所述目标图像为灰度图像或彩色图像；
[0007]将所述目标图像输入预先训练完成的、用于图像分割的量子经典混合神经网络；其中，所述量子经典混合神经网络包括：用于特征提取的量子卷积网络和用于语义分割的经典神经网络，所述量子经典混合神经网络基于所述目标图像对应的训练图像及其对应的标签图像训练确定；
[0008]运行所述量子经典混合神经网络，输出所述目标图像对应的分割图像。
[0009]可选的，所述方法还包括：
[0010]对所述目标图像进行归一化处理，得到归一化后的目标图像。
[0011]可选的，所述经典神经网络包括：U
‑
net网络；
[0012]所述将所述目标图像输入预先训练完成的、用于图像分割的量子经典混合神经网络，包括：
[0013]根据所述目标图像的像素，计算所述量子卷积网络的网络参数值；
[0014]将所述目标图像对应的网络参数值，输入到所述量子卷积网络。
[0015]可选的，所述运行所述量子经典混合神经网络，输出所述目标图像对应的分割图像，包括：
[0016]运行所述量子卷积网络，输出所述目标图像对应的目标特征图；
[0017]将所述目标特征图输入所述经典神经网络，输出所述目标图像对应的分割图像。
[0018]可选的，所述量子卷积网络包括：编码所述目标图像的量子态编码模块、提取所述目标图像对应量子态的特征的量子卷积模块和输出卷积结果的量子测量模块。
[0019]可选的，所述将所述目标图像对应的网络参数值，输入到所述量子卷积网络，包括：
[0020]将所述目标图像对应的网络参数值，作为所述量子态编码模块中量子逻辑门的参数值，输入对应的量子逻辑门中。
[0021]可选的，所述运行所述量子卷积网络，输出所述目标图像对应的目标特征图，包括：
[0022]针对所述目标图像的每一组像素值，依次运行所述量子态编码模块、所述量子卷积模块和所述量子测量模块，通过所述量子测量模块针对量子比特的测量结果，输出每一组像素值对应的特征值；
[0023]根据每一组像素值对应的特征值，确定所述目标图像对应的目标特征图。
[0024]本专利技术的又一实施例提供了一种基于量子经典混合神经网络的图像分割装置，装置包括：
[0025]获取模块，用于获取目标图像；其中，所述目标图像为灰度图像或彩色图像；
[0026]输入模块，用于将所述目标图像输入预先训练完成的、用于图像分割的量子经典混合神经网络；其中，所述量子经典混合神经网络包括：用于特征提取的量子卷积网络和用于语义分割的经典神经网络，所述量子经典混合神经网络基于所述目标图像对应的训练图像及其对应的标签图像训练确定；
[0027]输出模块，用于运行所述量子经典混合神经网络，输出所述目标图像对应的分割图像。
[0028]本专利技术的一个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项所述的方法。
[0029]本专利技术的一个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项所述的方法。
[0030]与现有技术相比，本专利技术提供的一种基于量子经典混合神经网络的图像分割方法，获取目标图像，将所述目标图像输入预先训练完成的、用于图像分割的量子经典混合神经网络，其中，所述量子经典混合神经网络包括：用于特征提取的量子卷积网络和用于语义分割的经典神经网络，所述量子经典混合神经网络基于所述目标图像对应的训练图像及其对应的标签图像训练确定；运行所述量子经典混合神经网络，输出所述目标图像对应的分割图像，从而能够实现量子计算在图像分割领域的应用，以发挥量子计算的并行加速优势，并补充相关技术的空白。
附图说明
[0031]图1为本专利技术实施例提供的一种基于量子经典混合神经网络的图像分割方法的计算机终端的硬件结构框图；
[0032]图2为本专利技术实施例提供的一种基于量子经典混合神经网络的图像分割方法的流程示意图；
[0033]图3为本专利技术实施例提供的一种量子卷积网络的结构示意图；
[0034]图4为本专利技术实施例提供的一种量子卷积模块的结构示意图；
[0035]图5为本专利技术实施例提供的一种基于量子经典混合神经网络的图像分割装置的结构示意图。
具体实施方式
[0036]下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。
[0037]本专利技术实施例首先提供了一种基于量子经典混合神经网络的图像分割方法，该方法可以应用于电子设备，如计算机终端，具体如普通电脑、量子计算机等。
[0038]下面以运行在计算机终端上为例对其进行详细说明。图1为本专利技术实施例提供的一种基于量子经典混合神经网络的图像分割方法的计算机终端的硬件结构框图。如图1所示，计算机终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，可选地，上述计算机终端还可以包括用于通信功能的传输装置106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
[0039]存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中的基于量子经典混合神经网络的图像分割方法对应的程序指令/模块，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于量子经典混合神经网络的图像分割方法，其特征在于，所述方法包括：获取目标图像；其中，所述目标图像为灰度图像或彩色图像；将所述目标图像输入预先训练完成的、用于图像分割的量子经典混合神经网络；其中，所述量子经典混合神经网络包括：用于特征提取的量子卷积网络和用于语义分割的经典神经网络，所述量子经典混合神经网络基于所述目标图像对应的训练图像及其对应的标签图像训练确定；运行所述量子经典混合神经网络，输出所述目标图像对应的分割图像。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：对所述目标图像进行归一化处理，得到归一化后的目标图像。3.根据权利要求1所述的方法，其特征在于，所述经典神经网络包括：U
‑
net网络；所述将所述目标图像输入预先训练完成的、用于图像分割的量子经典混合神经网络，包括：根据所述目标图像的像素，计算所述量子卷积网络的网络参数值；将所述目标图像对应的网络参数值，输入到所述量子卷积网络。4.根据权利要求3所述的方法，其特征在于，所述运行所述量子经典混合神经网络，输出所述目标图像对应的分割图像，包括：运行所述量子卷积网络，输出所述目标图像对应的目标特征图；将所述目标特征图输入所述经典神经网络，输出所述目标图像对应的分割图像。5.根据权利要求4所述的方法，其特征在于，所述量子卷积网络包括：编码所述目标图像的量子态编码模块、提取所述目标图像对应量子态的特征的量子卷积模块和输出卷积结果的量子测量模块。6.根据权利要求5所述的方法，其特征在于，所...

【专利技术属性】
技术研发人员：方圆，周照辉，李蕾，
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：