本发明属于图像识别领域,具体涉及一种基于量子随机行走算法的图像分类方法。
背景技术:
1、量子计算的其中一个重要算法是量子行走,量子行走是经典随机行走在量子力学中的对应。由于量子天然的叠加态特性,在行走中不是选择所有路径中的一个路径,而是这些路径的叠加态。这一特征使量子行走已经在许多优化算法中被理论预测具有明显量子加速效果,如空间搜索问题、元素甄别、判定图形同构、“快速到达”(fast hitting)算法等。其中“快速到达”算法利用feynmanpaqs软件进行理论设计实验演化长度,进而在光量子芯片中首次实验演示,展示出相对经典粒子的平方级加速,并且最优到达效率比经典粒子高一个数量级。
2、量子随机行走是另一个量子计算算法,它是量子行走与经典随机行走的混合,是分析开放量子系统的重要工具。可用于模拟凝聚态或生物系统的能量传输、网页排序算法等。其中利用量子随机行走在三维光子集成芯片中已模拟实现了hopfield神经网络的联想记忆功能。
3、当今社会每天产生的海量信息大多都需要经过压缩编码后才进行传输,以节省信道的带宽。对于任意可压缩信号,都有可能找到对应的稀疏基矩阵,仅取变换编码后最大的k个权重系数,就能够极好地近似表示原始信号。量子随机行走算法具有并行计算的特点,相对传统算法具有明显加速效果。在三维的rgb色彩空间中使用上述对图像逐像素进行收敛,最后将图像中所有颜色收敛到五种指定颜色,实现色域压缩,同时最低限度保留图片的有效信息。使用色域压缩后的数据集训练深度学习模型,并实现图像分类。
技术实现思路
1、(一)要解决的技术问题
2、本发明要解决的技术问题是如何提供一种基于量子随机行走算法的图像分类方法,以使图像压缩计算量大幅降低,同时最低限度保留图像中的有效信息,用于训练深度学习模型并进行图像分类,缩短业务推理决策的响应时间。
3、(二)技术方案
4、为了解决上述技术问题,本发明提出一种基于量子随机行走算法的图像分类方法,方法包括如下步骤:
5、首先,基于指定的sink值和h矩阵参数,使用基于量子随机行走的色域压缩方法对数据集进行批量化处理;
6、其次,使用经色域压缩后的数据集对深度学习分类模型进行训练;分类模型例如为efficientnet;
7、最后,加载训练完成的网络参数,对经过量子随机行走算法进行色域压缩后的测试集进行推理,即输出图像中的目标物类别。
8、(三)有益效果
9、本发明提出一种基于量子随机行走算法的图像分类方法,本发明使用的色域压缩方法基于量子随机行走算法,具有高度并行计算的优势,大幅减少了计算量。本发明使用的色域压缩方法用于处理深度学习分类模型的训练集、验证集及测试集,可以在保留基本信息的前提下减少计算量,提升推理效率。
1.一种基于量子随机行走算法的图像分类方法,其特征在于,该方法包括如下步骤:
2.如权利要求1所述的基于量子随机行走算法的图像分类方法,其特征在于,基于量子随机行走的色域压缩方法具体包括如下步骤:
3.如权利要求2所述的基于量子随机行走算法的图像分类方法,其特征在于,量子随机行走过程用lindblad方程来模拟和描述:
4.如权利要求3所述的基于量子随机行走算法的图像分类方法,其特征在于,在hamilton矩阵h中,主对角线参数值为bh为波导中的传播常数;其余参数中,c为不同波导之间的耦合系数,csink代表经典行走中lij项的值;其中,
5.如权利要求2-4任一项所述的基于量子随机行走算法的图像分类方法,其特征在于,所述步骤s2具体包括:
6.如权利要求5所述的基于量子随机行走算法的图像分类方法,其特征在于,所述步骤s4中,指定bh=1;对于空间上相邻的波导,指定c=1,不相邻的波导,指定c=0;csink代表经典行走过程中向sink能量低谷“jump”的连接强度,指定csink=5,csink为sink节点和对应的100个辅助节点中第一个节点之间的耦合系数,以及100个辅助节点中相邻两两节点之间的耦合系数。
7.如权利要求5所述的基于量子随机行走算法的图像分类方法,其特征在于,所述步骤s6具体包括:
8.如权利要求7所述的基于量子随机行走算法的图像分类方法,其特征在于,所述步骤s7具体包括:
9.如权利要求8所述的基于量子随机行走算法的图像分类方法,其特征在于,所述步骤s9中,n为压缩比例,取值为16。
10.如权利要求1所述的基于量子随机行走算法的图像分类方法,其特征在于,所述分类模型为efficientnet。