一种基于可扩展量子卷积神经网络的图像分类方法技术

本发明专利技术公开了一种基于可扩展量子卷积神经网络的图像分类方法，涉及图像分类技术领域，包括：对待分类的图像数据进行预处理，之后进行切片处理；通过角度编码将切片数据转换为量子态信息；构建量子系统，包括量子特征提取部分和量子分类测量部分，量子特征提取部分包括具有量子卷积层的量子变分电路模型，该模型能利用交替的单量子比特门和双量子比特门对量子态信息进行特征提取；利用一部分量子态信息对量子变分电路模型进行训练；将另一部分量子态信息输入训练好的量子变分电路模型，对量子变分电路模型的输出量子态进行测量。本发明专利技术解决了传统深度学习计算资源需求高、量子计算机规模受限等问题，为高效图像分类提供了一种新颖而实用的方法。

【技术实现步骤摘要】

本专利技术涉及图像分类，具体而言，涉及一种基于可扩展量子卷积神经网络的图像分类方法。

技术介绍

1、图像分类在当前机器学习和人工智能领域中占据重要地位，是计算机视觉的重要任务之一。图像分类技术的核心是让计算机能够识别并将图像归类到不同类别中，这为许多实际应用场景奠定了基础。作为机器学习重要分支的深度学习，依托大数据和高性能计算的发展，在图像分类任务中展现出巨大的应用潜力。由于其复杂的网络结构和大量的参数，深度学习模型通常需要更多的计算资源。作为深度学习的核心算法之一，神经网络为了达到最佳性能，需要大量数据训练。与此同时，基于量子力学规律的量子计算为我们带来了新的令人兴奋的可能性。量子机器学习作为一个充满潜力的研究领域，它结合了量子计算的强大能力和机器学习的技术，旨在处理大量数据和解决复杂问题时超越传统计算机的性能。然而，量子机器学习目前也面临一些挑战和限制，量子比特的数量以及量子计算机的可扩展性都有待提高。

技术实现思路

1、本专利技术在于提供一种基于可扩展量子卷积神经网络的图像分类方法，其能够解决上述问题，本文档来自技高网...

【技术保护点】

1.一种基于可扩展量子卷积神经网络的图像分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，步骤S10中，对待分类的图像数据进行预处理的方法包括：对于同一个图像，如果有多个不同的标签，则将该图像移除。

3.根据权利要求1所述的方法，其特征在于，步骤S20中用到的编码公式为：

4.根据权利要求1所述的方法，其特征在于，步骤S30中，单量子比特门包括哈达玛门、RX门和RY门，双量子比特门由最近邻的一对量子比特上的CNOT门组成。

5.根据权利要求1所述的方法，其特征在于，对于步骤S40，在量子变分电路模型训练过程中，...

【技术特征摘要】

1.一种基于可扩展量子卷积神经网络的图像分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，步骤s10中，对待分类的图像数据进行预处理的方法包括：对于同一个图像，如果有多个不同的标签，则将该图像移除。

3.根据权利要求1所述的方法，其特征在于，步骤s20中用到的编码公式为：

4.根据权利要求1所述的方法，其特征在于，步骤s30中，单量子比特门包括哈达玛门、rx门和ry门，双量子比特门由最近邻的一对量子比特上的cnot门组成。

5.根据权利要求1所述的方法，其特征在于，对于步骤s40，在量子变分电路模型训练过程中，对...

【专利技术属性】
技术研发人员：李冬芬，孙雨晨，多滨，周清，余展，胡志康，向秋雨，袁宇航，徐菡，韩浩民，宋征宇，白冬雪，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：