Квантовой алгоритм сегментации движущейся цели на видео

Рабочий процесс алгоритма команды.Кредит: Лю, Ван и Ву.

В то время как некоторые обычные алгоритмы для перемещения целевой сегментации достигли многообещающих результатов, большинство из них работают плохо в режиме реального времени (то есть при анализе видео, которые не записаны, но захватываются в настоящий момент).Таким образом, некоторые исследовательские группы пытались решить эту проблему с использованием альтернативных типов алгоритмов, таких как так называемые квантовые алгоритмы.

Исследователи из Нанкинского университета информационной науки и техники и юго -восточного университета в Китае недавно разработали новый квантовой алгоритм для сегментации движущихся целей на видео -видео.Было обнаружено, что этот алгоритм, опубликованный в Advanced Quantum Technologies, превосходит классические подходы в задачах, которые включают анализ видеозаписей в режиме реального времени.

«Наша предыдущая работа была посвящена алгоритмам квантовой сегментации изображений, и мы опубликовали несколько работ, но все они по статическим целям», - сказал Tech Xplore Вэньджи Лю, один из исследователей, которые провели исследование.«Мы задавались вопросом, сможем ли мы дополнительно сегментировать движущиеся цели и расширить приложение от изображения на видео. Мы проверили связанные исследования квантового видео и обнаружили, что исследования в этой области мало».

Алгоритм, разработанный Лю и его коллегами, использует квантовые механические процессы для быстрого сегмента движущихся целей в видео с серого.Этот сегментированный человек или объект можно затем распознавать как цель и контролировать с помощью дополнительных вычислительных методов.

«Во -первых, мы храним классическое видео -видео в некоторых кубитах, пусть рама и позиции пикселя будут в состоянии суперпозиции, и пусть серогосформационные значения пикселей будут запутаны с ними, чтобы получить квантовое видео VK», - сказал Лю.«Затем видео сдвинуто круглый, чтобы получить два других новых видео, VK-1 и VK+1, в которых позиции кадров смещены вперед и назад на одну единицу, соответственно, по сравнению с оригинальным видео. Эти три видео делятсяПозиционные кубиты. Двум недавно полученным видео затем разрешено выполнять операцию абсолютного вычитания значений с исходным видео, то есть BK-1 = | VK-VK-1 |, BK+1 = | VK-VK+1 |. Затем BK BK-1 и BK+1 бинаризированы, чтобы получить BK-1 и BK+1. BK-1 и BK+1 добавляются, чтобы получить конечный результат, а затем выполняются измерения для восстановления в классическом видео ».

Чтобы позволить их алгоритму различать пороговые значения и серого, Лю и его коллеги включили так называемый квантовый компаратор, который требует меньшей вычислительной мощности.Кроме того, команда разработала различные квантовые схемы, использующие меньше квантовых битов и квантовых ворот.

«Полная квантовая цепь была собрана на основе этих подразделений», - сказал Лю.«По сравнению с классическим аналогом, мы достигли экспоненциального ускорения, и сложность алгоритма также превосходит существующие квантовые алгоритмы, положения пикселей на изображении хранятся в квантовых битах в состоянии суперпозиции, а затем квантовые биты серого значения значения серогоИнформация запутывается с помощью квантовых битов информации о положении, так что изображение или видео находятся в состоянии суперпозиции. Вычислительная операция на пикселе на изображении (или видео) в состоянии суперпозиции эквивалентна вычислительной операции по всему изображению (или все видео), так что вычислительная сложность может быть снижена в геометрической прогрессии ».

Лю и его коллеги оценили свой алгоритм в серии тестов, сравнивая его производительность с классическим алгоритмом для движущейся целевой сегментации.Было обнаружено, что их алгоритм значительно быстрее, чем классические модели, сохраняя при этом ту же точность.

«Сложность алгоритма экспоненциально снижается по сравнению с его классическим аналогом», - сказал Лю.«Кроме того, мы разработали квантовый компаратор с меньшим количеством квантовых ворот и кубитов, которые могут использоваться в любой задаче, которая требует сравнения значений и может эффективно снизить сложность алгоритма».

В будущем алгоритм, созданный этой командой исследователей, может быть разработан дальше и проверить на более реальных кадрах.Одновременно эта работа может вдохновить на разработку новых высокопроизводительных квантовых алгоритмов для других передовых приложений компьютерного зрения.

«В настоящее время наше исследование фокусируется на том, как обрабатывать изображения более просто в пространственном домене с квантовыми цепями, и эффект может быть дополнительно улучшен», - добавил Лю.«В будущем, чтобы получить лучшие результаты обработки, мы расширим наши исследования для обработки изображений с квантовыми нейронными сетями. Кроме того, существующая квантовая технология не может реализовать использование крупномасштабных Qubits в краткосрочной перспективе, поэтому гибридная классическаяКвантовая нейронная сеть также является лучшим выбором ».

Больше информации: Wenjie Liu и др., Квантовой алгоритм сегментации целевой цели для видео -видео, передовые квантовые технологии (2023).Doi: 10.1002/Qute.202300248.На arxiv: doi: 10.48550/arxiv.2310.03038