基于参数化量子线路与机器学习的图像分类算法

作     者：张德顺 

作者单位：南昌大学 

学位级别：硕士

导师姓名：龚黎华;曾宾阳

授予年度：2023年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：机器学习 参数化量子线路 迁移学习 量子卷积神经网络 

摘      要：随着数字信息时代的到来,图像分类技术对机器学习算法的准确性、计算速度、泛化能力和复杂度等指标有了更高的要求。性能标准的提高凸显了机器学习算法在处理大规模数据和小样本问题时面临的挑战。量子卷积神经网络(Quantum convolutional neural network,QCNN)利用量子计算的特性,能在处理大规模数据时提供高效的处理能力。迁移学习在处理小样本分类任务时,可以有效降低模型的过拟合风险,从而提高模型的泛化能力。因此,未来需探索更为创新和高效的解决方案,来处理大规模数据和小样本问题的图像分类任务。围绕图像分类中的核心挑战,本文主要研究工作如下:针对量子图像表示模型在计算效率和存储能力方面的局限,提出了一种新型的量子图像表示模型。通过融入HSB颜色模式,该模型能够更加精确地表达图像的颜色信息;利用量子基态存储图像信息,该模型能够提升图像数据的处理效率。实验结果证明,该量子图像表示模型在图像存储方面有显著优势,为图像分类任务提供了更有效的图像表示方案。基于参数化量子线路提出了一种复杂度为O(n)的量子卷积神经网络算法。该算法利用参数化量子线路的可训练性和量子态的叠加性,能够提取有效的图像特征,从而更高效地处理大规模的图像分类任务;利用量子门构建了该算法的量子池化层,从而在保证模型性能的同时降低算法复杂度。此外,向该算法中引入了量子自然梯度算法,以便更好地应对量子参数空间的几何特性,加快模型的收敛速度,提高训练效率。在MNIST数据集上的实验结果证明,与其它同类算法相比,所提出的算法具有更好的分类性能。融合QCNN和迁移学习,提出了一种基于参数的量子迁移学习算法。首先,设计了一种基于角度编码的量子-经典参数映射方案,将经典参数映射到量子空间,从而使QCNN能充分利用量子计算的优势,增强模型的表达能力。其次,引入了最大均值差异方法实现领域自适应,识别ImageNet数据和小样本数据之间的分布差异,并通过调整模型参数以减小这种差异,从而进一步提高模型在小样本领域的泛化能力。实验结果表明,基于参数的量子迁移学习算法能显著提高模型在小样本图像分类任务中的分类性能和泛化能力。