HQ-UNet：量子ボトルネックを備えたハイブリッド量子・古典U-Netによるリモートセンシング画像セグメンテーション

Abstract

リモートセンシングにおけるセマンティックセグメンテーションは、一般にU-Netのような古典的な深層学習アーキテクチャによって取り組まれてきましたが、複雑な空間関係をモデル化するには多数のパラメータが必要です。量子機械学習（QML）は、古典的な特徴を量子状態へ写像することで別の表現パラダイムを提供しますが、高次元画像への直接適用は、近い将来の量子ハードウェア制約のもとで依然として困難です。本研究では、古典的U-Netのボトルネックにコンパクトなパラメータ化量子回路を統合した、ハイブリッド量子—古典U-NetアーキテクチャであるHQ-UNetを提案します。提案設計では、デコード前に高度に圧縮されたエンコーダ特徴を強化するために、非プーリングの量子畳み込みモジュールを用いる一方で、量子成分を浅く保ち、パラメータ効率の高いものとします。LandCover.aiデータセットでの実験の結果、HQ-UNetは平均IoUが0.8050、全体の精度が94.76%を達成し、古典的なU-Netベースラインを上回りました。これらの結果は、コンパクトな量子ボトルネックが、近い将来の量子制約下でのリモートセンシング画像セグメンテーションにおける特徴表現を強化し得ることを示唆しています。これは、地球観測におけるパラメータ効率の良い高密度予測に向けた有望な方向性として、ハイブリッド量子—古典設計の可能性を明らかにします。