Mar, 2024

低信噪比环境下雷达无人机检测与分类的混合量子神经网络优势

PDF
TL;DR本文研究了使用雷达进行检测和分类问题的混合量子神经网络 (HQNN) 和可比较的经典卷积神经网络 (CNN) 的性能。我们发现，在高信噪比 (SNR) 的情况下，CNN 在检测和分类方面的表现优于 HQNN。然而，在低信噪比范围内，HQNN 的性能优于类似架构的 CNN，这在实践中具有最大的关注度。
发现论文，激发创造
  • 低信噪比环境下稳健低成本的无人机检测与分类

    本研究提供了用于模型开发的公开数据集，并对低信噪比条件下的卷积神经网络进行了无人机检测的比较分析，同时部署和现场评估了一个实用、低成本的无人机检测系统。

    Jun, 2024

  • 用于雷达干扰抑制的量化神经网络

    本文研究基于 CNN 的雷达信号去噪和抗干扰的量化技术，比较了不同网络结构和大小的量化潜力，并分析了​由于雷达频率带干扰而导致的环境感知问题。

    Nov, 2020

  • 一种用于物体检测和分类的量子卷积神经网络方法

    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

  • 混合量子 - 经典卷积神经网络

    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

  • 高维数据分类中的混合量子神经网络

    该研究探索了量子深度学习模型在解决传统深度学习模型难以处理的具有挑战性的机器学习问题方面的潜力。我们介绍了一种新型模型架构，将经典卷积层与量子神经网络相结合，旨在超越现有最先进的准确性，同时保持紧凑的模型尺寸。该实验对来自 Bird-CLEF 2021 数据集的高维音频数据进行分类，我们的评估重点关注训练持续时间、模型准确性和总模型尺寸等关键指标。这项研究证明了量子机器学习在增强机器学习任务和解决当今实际机器学习挑战方面的潜力。

    Dec, 2023

  • 量子卷积神经网络（QCNN）教程

    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

  • 可扩展的量子卷积神经网络

    提出一种新型的可伸缩量子卷积神经网络 (sQCNN)，并提供了一种名为反保真度训练 (RF-Train) 的训练算法用于提高 sQCNN 的性能。该网络为量子神经网络 (QNN) 的一种进化，拥有处理高维向量输入的能力，并且可以解决传统 QNN 的局限性。

    Sep, 2022

  • 一种用于图像分类的层次融合的量子模糊神经网络

    该论文介绍了一种新颖的分层融合量子模糊神经网络（HQFNN），与经典的 FDNN 不同，HQFNN 使用量子神经网络来学习模糊神经网络中的模糊隶属函数，模拟实验证明该模型在不确定数据分类任务上表现出色，并且还展示了所提出的量子电路的鲁棒性。

    Mar, 2024

  • 量卷积神经网络：利用量子电路提升图像识别能力

    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

  • 使用深度神经网络和量子神经网络进行交通标志分类

    本文介绍了使用混合量子 - 经典卷积神经网络实现的交通标志分类系统，基于其在德国交通标志识别基准数据集上的 90% 以上精度，揭示了量子神经网络在高级计算机视觉领域中的潜力。

    Sep, 2022