[Paper] 量子增强的卫星图像分类

Source: arXiv - 2602.18350v1

概览

我们展示了一种量子特征提取方法在空间应用中的多类图像分类提升效果。通过利用多体自旋哈密顿量的动力学，该方法生成富表达性的量子特征，结合经典处理后，可实现量子增强的分类准确率。以强大且成熟的 ResNet50 基线为参考，我们达到了最高 83% 的经典准确率，采用迁移学习方法可提升至 84%。相比之下，使用我们的量子‑经典方法，性能提升至 87% 的准确率，显著且可重复地超越稳健的经典方法。该混合量子‑经典方案在多台 IBM 量子处理器上实现，始终带来 2–3% 的绝对准确率提升。这些结果凸显了当前及近期量子处理器在卫星成像、遥感等高风险、数据驱动领域的实际潜力，同时暗示其在更广泛的现实机器学习任务中的适用性。

关键贡献

• quant‑ph
• cs.CV
• cs.LG

方法论

请参阅完整论文获取详细方法论。

实际意义

本研究推动了 quant‑ph 领域的发展。

作者

• Qi Zhang
• Anton Simen
• Carlos Flores‑Garrigós
• Gabriel Alvarado Barrios
• Paolo A. Erdman
• Enrique Solano
• Aaron C. Kemp
• Vincent Beltrani
• Vedangi Pathak
• Hamed Mohammadbagherpoor

论文信息

• arXiv ID: 2602.18350v1
• 分类: quant‑ph, cs.CV, cs.LG
• 发表时间: 2026 年 2 月 20 日
• PDF: Download PDF