研究人员开发了两种新的混合量子-经典神经网络架构，HQF-Net和HQ-UNet，用于遥感图像分割。HQF-Net集成了冻结的DINOv3 ViT-L/16骨干网络和U-Net结构，并融入了量子增强的跳跃连接以及带有混合专家模型的量子瓶颈。HQ-UNet设计更为紧凑，在经典U-Net的瓶颈处使用参数化量子电路，并采用非池化量子卷积模块。两种模型在基准数据集上的表现均优于经典的U-Net基线模型，表明混合方法在地球观测领域高效密集预测方面的潜力。 AI
影响 混合量子-经典模型在提高参数效率和特征表示方面展现出潜力，适用于遥感分割等密集预测任务。
排序理由 该集群包含两篇arXiv论文，介绍了用于特定AI任务的新型混合量子-经典深度学习模型。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2604.06715v3 Announce Type: replace-cross Abstract: Remote sensing semantic segmentation requires models that can jointly capture fine spatial details and high-level semantic context across complex scenes. While classical encoder-decoder architectures such as U-Net remain s…
arXiv:2604.27206v1 Announce Type: new Abstract: Semantic segmentation in remote sensing is commonly addressed using classical deep learning architectures such as U-Net, which require a large number of parameters to model complex spatial relationships. Quantum machine learning (QM…