典型文献
基于量子卷积神经网络的图像识别新模型
文献摘要：
为了解决卷积神经网络对内存和时间效率要求越来越高的问题,提出一种面向数字图像分类的新模型,该模型为基于强纠缠参数化线路的量子卷积神经网络.首先对经典图像进行预处理和量子比特编码,提取图像的特征信息,并将其制备为量子态作为量子卷积神经网络模型的输入.通过设计模型量子卷积层、量子池化层、量子全连接层结构,高效提炼主要特征信息,最后对模型输出执行Z基测量,根据期望值完成图像分类.实验数据集为MNIST数据,{0,1}分类和{2,7}分类准确率均达到了100％.对比结果表明,采用平均池化下采样的三层网络结构的QCNN模型具有更高的测试精度.
文献关键词：
量子计算;图像分类;量子卷积神经网络;参数化量子电路
中图分类号：
作者姓名：
范兴奎;刘广哲;王浩文;马鸿洋;李伟;王淑梅
作者机构：
青岛理工大学理学院 山东 青岛 266520;青岛理工大学信息与控制工程学院 山东 青岛 266520
文献出处：
引用格式：
[1]范兴奎;刘广哲;王浩文;马鸿洋;李伟;王淑梅-.基于量子卷积神经网络的图像识别新模型)[J].电子科技大学学报,2022(05):641-650
A类：
量子卷积神经网络,QCNN,参数化量子电路
B类：
图像识别,时间效率,数字图像,图像分类,纠缠,量子比特,比特编码,特征信息,量子态,卷积神经网络模型,设计模型,卷积层,全连接层,模型输出,期望值,值完,成图,集为,MNIST,分类准确率,平均池化,下采样,测试精度,量子计算
AB值：
0.263756
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
