机构名称：
¥ 1.0
随着遥感技术的进步，地球观测 (EO) 已进入大数据时代，但在使用复杂的机器学习模型分析获得的 EO 数据时，所需的计算能力成为一个障碍。量子机器学习 (QML) 可能有助于在未来应对这一挑战，因为量子计算的主要期望是有效地解决计算任务。然而，QML 是否优于其经典对手仍未得到充分研究。关于使用 QML 进行 EO 数据分类，一些研究使用了量子退火器 [1, 2]。此外，应用量子电路分析 EO 图像也引起了广泛关注。到目前为止，一些研究依靠经典特征工程算法来获取关键特征，并使用量子电路进行特征转换和分类。Gawron 等人 [3] 提出了一种用于土地覆盖分类的量子神经网络，该网络依靠主成分分析 (PCA) 算法从多光谱图像中获取关键特征。除了特征工程算法外，本文还研究了使用经典深度学习算法进行特征提取。Sebastianelli 等人 [4] 使用经典 CNN 从图像中提取高级特征，并使用量子电路进行最终预测。
使用量子技术对地球观测数据进行分类...
主要关键词
相关文件推荐
