使用深度神经网络和量子神经网络进行交通标志分类
本文提出了一种混合量子 - 经典卷积神经网络框架(QCCNN),它结合了卷积神经网络的重要特征以及量子计算特有的优势,适用于当前嘈杂的中尺度量子计算机,并通过 Tetris 数据集的分类任务证明了其优越性能。
Nov, 2019
在交通运输不断演进的背景下,汽车的普及使道路交通更加复杂,需要先进的视觉辅助技术来提高安全性和导航能力。本文提出了一种基于卷积神经网络的创新方法,实现了接近 96% 的准确率,突出了通过高级定位技术可以实现更高的精度,这不仅对交通标志识别技术的持续发展有所贡献,也强调了这些发展对道路安全和自动驾驶的未来的关键性影响。
Mar, 2024
本文研究量子卷积神经网络与经典卷积神经网络、人工 / 经典神经网络模型之间的潜力差异,研究表明,根据输入大小和批量大小,量子卷积神经网络有可能在准确性和效率上胜过经典卷积神经网络和人工神经网络,表现出作为机器学习领域中强大工具的潜力。
Jul, 2023
该论文提出了一种使用胶囊网络的交通标志检测新方法,通过动态路由和路由协议算法,胶囊网络可以更好地捕获图像的姿态、视角和方向,提高了自主车辆交通标志检测的可靠性和准确性。
May, 2018
本研究探讨了在量子计算环境中使用多尺度纠缠重整化 ANSATZ 计算的量子卷积神经网络 (QCNN) 和将 QCNN 层添加到现有的 CNN 学习模型中以提高性能的方法,并通过与 TensorFlow Quantum 平台中使用的 MNIST 数据集的训练验证了 QCNN 模型的高效学习能力。
Sep, 2020
提出了一种基于量子卷积的全新量子神经网络模型,该模型通过引入多尺度特征融合机制和量子深度卷积来提高模型性能,并通过实验证明其在文本分类任务上优于现有量子神经网络模型,同时在使用更少参数的情况下提高了测试精度。
May, 2024
研究比较卷积神经网络和二值神经网络在识别交通标志上的表现,提出了一种从底层进行二值神经网络架构设计的方法,并且在测试集上取得了高于 80% 的准确率。
Mar, 2023
该研究论文提出了一种基于量子计算的卷积神经网络(QCNN)算法,能够应用和训练深度 CNN,并通过引入非线性和池化操作打破传统的限制,以更高效地进行图像识别,同时也介绍了新的量子测量及概率采样算法。
Nov, 2019
本文介绍了一种新的变换层:quanvolutional layer,它可以通过在局部应用数个随机量子电路的方式对输入数据进行变换,类似于卷积过滤层。在 MNIST 数据集上的实验结果表明,用 QNN 可以比传统 CNN 享有更高的测试集精度和更快的训练速度。
Apr, 2019
使用 PennyLane 实现的量子卷积神经网络(QCNN)通过参数化量子电路优化来最小化交叉熵损失,用于经典数据的多类分类,在 MNIST 数据集上的实验结果表明,对于 4 类问题,性能略低于经典 CNN,但对于更多类别的问题,量子卷积神经网络表现出更好的性能。
Apr, 2024