利用BigEarthNet数据集，结合量子处理技术进行图像融合与场景分类

《IEEE Access》：Image Fusion with Quantum Processing for Scene Classification using the BigEarthNet Dataset

　　

摘要：

本文提出了关于光学图像与合成孔径雷达（SAR）量子图像融合以及机器学习算法在雷达和遥感应用中的算法、仿真结果。我们提出了一种新的量子图像融合技术，该技术能够从BigEarthNet数据集中提取有意义的特征，用于识别和分类场景。具体而言，本研究重点关注使用C波段SAR和光学图像的量子图像融合进行多标签场景分类。所提出的融合技术增强了原始SAR图像中不易观察到的结构和纹理细节，从而提高了后续分类的性能。为了实现量子图像融合，我们设计了新的量子电路，这些电路利用酉门和泡利门对像素强度值进行相位编码。这些电路使得光学图像和SAR图像信息能够在量子处理框架内进行编码和融合。研究了三种融合策略，从而得到了三种不同的量子图像融合模型。对比评估表明，基于像素平均的量子融合方法相比其他融合方法具有更高的分类准确性。融合后的图像随后通过深度经典神经网络进行处理以进行场景分类。我们的神经网络研究首先对Visual Geometry Group 16（VGG16）架构进行了定制，以适应多标签遥感分类任务。此外，我们还研究了Residual Network 50（ResNet-50）架构的使用，并对这两种模型进行了性能比较分析。同时，还研究了量子噪声对融合和分类过程的影响，以评估其在实际量子处理条件下的鲁棒性。为了评估分类性能，我们采用了F1分数和F2分数等标准指标，并引入了假发现率和假阴性率等指标...

显示更多