XiaoMi-AI文件搜索系统
World File Search SystemPolSAR
在基于门的量子计算机中自然嵌入极化合成孔径雷达图像的斯托克斯参数
摘要 — 量子算法旨在在基于门的量子计算机中处理量子数据（量子比特）。经严格证明，当输入是某些量子数据或映射到量子数据的某些经典数据时，它们比传统算法具有量子优势。然而，在实际领域，数据本质上是经典的，它们的维度、大小等都非常大。因此，将经典数据映射（嵌入）到量子数据是一个挑战，甚至在基于门的量子计算机中处理映射的经典数据时，量子算法相对于传统算法没有量子优势。对于地球观测（EO）的实际领域，由于遥感平台上的传感器不同，我们可以将某些类型的 EO 数据直接映射到量子数据。特别是，我们有以极化光束为特征的极化合成孔径雷达（PolSAR）图像。极化光束的偏振态和量子比特是物理状态的分身。我们将它们相互映射，并将这种直接映射称为自然嵌入，否则称为人工嵌入。此外，我们使用量子算法在基于门的量子计算机中处理自然嵌入的数据，而不管其相对于传统技术的量子优势如何；即，我们使用 QML 网络作为量子算法来证明我们自然地将数据嵌入基于门的量子计算机的输入量子位中。因此，我们在 QML 网络中使用并直接处理了 PolSAR 图像。此外，我们设计并提供了一个带有额外神经网络层的 QML 网络，即混合量子经典网络，并演示了在使用和处理 PolSAR 图像时如何编程（通过优化和反向传播）这种混合量子经典网络。在这项工作中，我们使用了 IBM Quantum 提供的基于门的量子计算机和基于门的量子计算机的经典模拟器。我们的贡献是，我们提供了具有自然嵌入特征（量子位的 Doppelganger）的非常具体的 EO 数据，并在混合量子经典网络中对其进行了处理。更重要的是，在未来，这些极化SAR数据可以通过未来的量子算法和未来的量子计算平台进行处理，以获得（或展示）相对于传统EO问题技术的量子优势。索引词——自然嵌入、参数化量子电路、极化合成孔径雷达（PolSAR）、量子机器学习（QML）。I.引言最近在构建基于门的量子计算机方面取得了突破，该计算机仅使用极少的量子比特[1]
在小量子计算机上的地球观测图像的组装
摘要 - 卫星仪器的白天和黑夜监视地球的地面，结果，地球观测（EO）数据的大小大大增加。机器学习/深度学习（ML/DL）技术通常用于分析并处理这些大EO数据，而一种众所周知的ML技术是支持向量机（SVM）。SVM提出了二次编程问题，包括量子退火器（QA）以及基于门的量子计算机（包括量子计算机）有望比惯性计算机更有效地解决SVM；通过使用量子计算机/常规计算机来培训SVM，代表量子SVM（QSVM）/经典SVM（CSVM）应用程序。但是，量子计算机无法通过使用QSVM来解决许多实用的EO问题，因为它们的输入量很少。因此，我们组装了给定的EO数据的核心（“数据集的核心”），用于在小量子计算机上训练加权SVM。核心是原始数据集的一个小的，代表性的加权子集，与原始数据集相比，可以通过在小量子计算机上使用建议的加权SVM来分析其性能。作为实际数据，我们使用合成数据，虹膜数据，印度松树的高光谱图像（HSI）以及旧金山的偏光仪合成孔径雷达（Polsar）图像。我们通过使用Kullback-Leibler（KL）Divergence测试来测量原始数据集及其核心之间的接近性，此外，我们通过使用D-Wave量子量子退火器（D-Wave QA）和一台常规计算机在我们的核心数据上训练了加权SVM。我们的发现表明，核心具有很小的kl差异近似于原始数据集，而加权QSVM甚至在我们的一些实验实例上都超过了核心上的加权CSVM。作为一个侧面结果（或副产品结果），我们还提出了我们的KL差异发现，以证明我们的原始数据（即我们的合成数据，虹膜数据，高光谱图像和Polsar图像）和组装的壳体之间的亲密关系。
先进的SAR技术和应用
合成孔径雷达 (SAR) 彻底改变了遥感领域，无论天气或光照条件如何，都能提供对地球表面的无与伦比的洞察。无论是监测土地利用变化、评估植被健康状况还是研究基础设施，SAR 数据都能为广泛的应用提供宝贵信息。本培训课程专门针对微波遥感中的高级主题而设计，即 PolSAR、InSAR、PolInSAR 和 TomoSAR，并教授尖端的 SAR 分析技能。从 SAR 成像的基础知识到层析成像的高级技术，本课程深入介绍了 SAR 的强大功能。通过对 ISRO 和国际当代 SAR 数据集的实践课程以及专家指导，这是一个学习如何充分利用 SAR 技术潜力的好机会，使您能够熟练地分析复杂地形并提取关键见解。
人脑中情感的依赖编码
摘要：卫星仪器昼夜监测地球的地面，因此，地球观测（EO）数据的大小显着增加。机器学习（ML）技术通常用于分析和处理这些大EO数据，而一种众所周知的ML技术是支持向量机（SVM）。SVM构成了二次编程问题，量子计算机（包括量子退火器（QA））以及基于门的量子计算机有望比常规计算机更有效地求解SVM；通过使用量子计算机/常规计算机来培训SVM，代表量子SVM（QSVM）/经典SVM（CSVM）应用程序。但是，量子计算机无法通过使用QSVM来解决许多实用的EO问题，因为它们的输入量很少。因此，我们组装了一个给定的EO数据的核心（“数据集的核心”），用于在小量子计算机上训练加权SVM，这是一个大约5000个输入量子位的D-Wave量子式退火器。核心是原始数据集的一个小的，代表性的加权子集，与原始数据集相比，可以通过在小量子计算机上使用建议的加权SVM来分析其性能。作为实际数据，我们使用合成数据，虹膜数据，印度松树的高光谱图像（HSI）以及旧金山的偏光仪合成孔径雷达（Polsar）图像。我们通过使用Kullback-Leibler（KL）散射测试来测量原始数据集及其核心之间的接近度，此外，我们还通过使用D-Wave量子量子Quantum Nealealer（D-Wave QA）和一台传统计算机在我们的核心数据上训练了加权SVM。我们的发现表明，核心具有很小的kl差异（较小的较小）近似于原始数据集，而加权QSVM甚至在我们的一些实验实例上都超过了核心上的加权CSVM。作为一个侧面结果（或副产品结果），我们还提出了我们的KL差异发现，以证明我们的原始数据（即我们的合成数据，虹膜数据，高光谱图像和Polsar图像）和组装的壳体之间的亲密关系。
超高分辨率机载合成孔径雷达...
尤其是，高分辨率 SAR 数据的可用性目前正在开辟一个广阔的新应用领域。由于其固有的斑点效应，与相同细节水平的光学遥感数据相比，SAR 数据显得模糊和嘈杂。只有在无斑点、点状或具有强反射的线性目标（通常是人造结构或车辆）上，SAR 的实际分辨率能力才能得到充分开发。因此，要实现与光学数据类似的可解释性，通常需要分辨率明显更高的 SAR 数据。最近的 SAR 传感器系统能够将分辨率降低到几分米，从而产生与现代亚米级光学系统相当的优质图像。这一点，加上全天候昼夜成像能力，使 SAR 成为一种理想的工具，特别是对于常规监测和测绘应用，在这些应用中，遥感数据的高可靠性至关重要。雷达图像包含的信息与从光学或红外传感器获得的图像完全不同。在光学范围内，物体表面的分子共振主要决定了物体反射率的特征，而在微波范围内，介电和几何特性与反向散射有关。因此，雷达图像强调了所观察地形的起伏和形态结构以及地面电导率的变化，例如，由