Cloud Detection in Multispectral Satellite Images Using Support Vector Machines With Quantum Kernels

要約

サポート ベクター マシン (SVM) は、一連のパターン認識および分類タスクに効果的に導入される確立された分類器です。
この研究では、古典的な SVM を量子カーネルで拡張し、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。
これは、古典的な SVM トレーニング ルーチンと組み合わせた量子カーネル推定 (QKE) 手順で構成されます。
ピクセル データは、パラメーター化されたアンザッツ状態に作用する ZZ 特徴マップ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 ターゲットの調整を最大化するように最適化されます。
私たちは、地上および機内両方の衛星画像解析処理チェーンにおける極めて重要なステップの 1 つである、衛星画像データにおける雲検出の問題に取り組みます。
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により、シミュレートされたハイブリッド SVM が従来の SVM と同等の精度で衛星画像を分類することに成功したことが明らかになりました。

要約(オリジナル)

Support vector machines (SVMs) are a well-established classifier effectively deployed in an array of pattern recognition and classification tasks. In this work, we consider extending classic SVMs with quantum kernels and applying them to satellite data analysis. The design and implementation of SVMs with quantum kernels (hybrid SVMs) is presented. It consists of the Quantum Kernel Estimation (QKE) procedure combined with a classic SVM training routine. The pixel data are mapped to the Hilbert space using ZZ-feature maps acting on the parameterized ansatz state. The parameters are optimized to maximize the kernel target alignment. We approach the problem of cloud detection in satellite image data, 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 on par with classic SVMs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google