Detecting Clouds in Multispectral Satellite Images Using Quantum-Kernel Support Vector Machines

要約

サポート ベクター マシン (SVM) は、一連の分類タスクで効果的に展開される確立された分類器です。
この作業では、量子カーネルを使用して従来の SVM を拡張し、それらを衛星データ分析に適用することを検討します。
量子カーネルを使用した SVM (ハイブリッド SVM) の設計と実装について説明します。
ここで、ピクセルは、パラメーター化された量子特徴マップ (量子カーネルに関連) のファミリを使用してヒルベルト空間にマッピングされます。
パラメータは、カーネル ターゲットの配置を最大化するように最適化されています。
量子カーネルは、実際の大規模なデータセットで古典的なコンピューターを使用してシミュレートできる一方で、多数の関連プロパティの分析を可能にするように選択されています。
具体的には、マルチスペクトル衛星画像における雲検出の問題に取り組みます。これは、地上および搭載衛星画像解析処理チェーンの重要なステップの 1 つです。
ベンチマークの Landsat-8 マルチスペクトル データセットに対して実行された実験では、シミュレートされたハイブリッド SVM が、大規模なデータセットの RBF カーネルを使用した従来の SVM に匹敵する精度で衛星画像を正常に分類することが明らかになりました。
興味深いことに、大規模なデータセットの場合、量子エンタングルメントを欠く単純な量子カーネルでも高い精度が観察されました。

要約(オリジナル)

Support vector machines (SVMs) are a well-established classifier effectively deployed in an array of classification tasks. In this work, we consider extending classical SVMs with quantum kernels and applying them to satellite data analysis. The design and implementation of SVMs with quantum kernels (hybrid SVMs) are presented. Here, the pixels are mapped to the Hilbert space using a family of parameterized quantum feature maps (related to quantum kernels). The parameters are optimized to maximize the kernel target alignment. The quantum kernels have been selected such that they enabled analysis of numerous relevant properties while being able to simulate them with classical computers on a real-life large-scale dataset. Specifically, we approach the problem of cloud detection in the multispectral satellite imagery, which is one of the pivotal steps in both on-the-ground and on-board satellite image analysis processing chains. The experiments performed over the benchmark Landsat-8 multispectral dataset revealed that the simulated hybrid SVM successfully classifies satellite images with accuracy comparable to the classical SVM with the RBF kernel for large datasets. Interestingly, for large datasets, the high accuracy was also observed for the simple quantum kernels, lacking quantum entanglement.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google