本论文提出了一种新颖的量子预处理过滤器（QPF），以提高神经网络模型的图像分类准确性。通过应用 QPF 方法，研究结果表明，在 MNIST 数据集和 EMNIST 数据集上，基于手写数字和字母的图像分类准确性分别从 92.5% 提高到 95.4% 和从 68.9% 提高到 75.9%。在机器学习过程中，这些改进是在没有引入额外模型参数或优化的情况下实现的。然而，对于包含 43 个不同类别真实交通标志图像的相对复杂的 GTSRB 数据集，测试结果显示分类准确性有所降低。考虑到这一结果，进一步研究量子电路适用于图像分类神经网络的理解和设计，可以利用本论文中提出的基准方法。

Aug, 2023

本文探讨使用量子分类器对二进制属性进行模式分类，特别是对图像数据集的分类表现良好，对医学领域来说是具有很大潜力的。

Nov, 2020

本文提出了一个高效和高准确度的量子分类器，它利用降维和分类的量子技术，被测试在 MNIST 数据集上，具有类似经典方法的 98.5％准确度，并且在数据点和维度上的运行时间是多对数的。

May, 2018

通过训练和应用机器学习模型来识别和纠正量子处理图像中的噪声问题，我们可以弥补量子计算机产生的噪音并以高效率获取类似于经典计算机的处理结果。

Feb, 2024

基于量子退火的矩阵分解方法在图像分类中与传统的机器学习方法进行了性能比较，发现在数据、特征和迭代次数较少的情况下，利用量子退火技术训练模型的准确性优于传统的神经网络，并且该技术还能显著减少计算时间。

Nov, 2023

使用低温量子门进行量子计算机机器学习是实验上挑战性的，因此我们提出了一个在室温下的 “玩具模型”，通过光学变换实现了对 MNIST/Fashion-MNIST 数据的分类，并展示了量子力学测量过程的教学工具。

Aug, 2020

本研究提出了两种混合量子 - 经典模型：具有平行量子层的神经网络和具有量子卷积层的神经网络，它们解决了图像分类问题。其中我们提出的混合量子方法在 MNIST 数据集上展现了超过 99% 的准确率。这表明将量子效应应用于传统经典模型可以进一步提高图像识别和分类的能力，并为医疗保健、安全和市场营销等各个领域提供有前途的方法。

Apr, 2023

本文提出了一种基于量子理论的二进制分类器（BCIQT）模型，它可以通过使用比传统概率与统计理论更先进的量子理论来提高机器学习的效率，并在每个分类指标中都表现出更优异的召回率。

Mar, 2019

通过使用灰度处理方法与由五个分布式量子卷积网络和评分函数组成的模型相结合，我们实现了对数据集的新预处理，以提高基于图像的恶意软件检测的性能，而不增加量子位所需的资源，结果表明测试的准确率和 F1 评分分别提高了约 20%。

Dec, 2023

本研究提出了一个新的混合系统，通过使用多目标遗传算法，自动生成和训练基于量子启发式分类器来处理灰度图像。通过定义动态适应性函数来确保所提出的技术具有通用性和鲁棒性，我们能够在视觉数据集上获得最小电路和最高精度，同时在量子电路和图像降维方法之间进行比较。

Aug, 2022