摘要
计算机视觉技术在现实世界中的日益普及对图像分类模型的泛化能力和少样本自适应性能提出了越来越严格的要求。虽然量子机器学习（QML）在图像分类任务中展现了可观的前景，但现有的混合量子神经网络（HQNNs）始终表现出有限的泛化能力和较弱的少样本学习性能。我们研究了将标准W群平均方法整合到两个现有HQNN架构（HQNN-Parallel和HQNN-Quanv）中。每张完整输入图像由W群的四个元素进行变换，并通过共享参数的特征提取器进行处理。所得的量子特征向量或特征图在最终经典分类层之前进行平均。该结构不引入额外可训练参数，但每张图像需要四次变换输入评估。所得模型分别记为W-HQNN-Parallel和W-HQNN-Quanv。在三个经典图像分类数据集上的系统实验表明，W-HQNN-Parallel模型在完整FashionMNIST数据集上达到约91.56%的准确率，在完整CIFAR-10数据集上达到73.96%，分别比原模型高出约0.50和2.88个百分点，同时在这两个数据集上的测试损失也低于HQNN-Parallel。在单次运行减量数据实验中，W-HQNN-Quanv在MNIST上达到68.83%的准确率，在FashionMNIST上达到64.19%，分别比相应基线高出9.60和6.16个百分点。这些结果为在评估的实验设置下、W群平均在所研究的两种HQNN架构中的效果提供了实证证据。
