Treffer: COMPARISON OF QUANTUM DEEP LEARNING METHODS FOR IMAGE CLASSIFICATION.

Nowadays, with the discovery of the power and potential of quantum computers, developing and understanding quantum-based deep learning models has become an important research area. This study investigates Quantum Transfer Learning and Quantum Hybrid Learning models that involve feature extraction and training processes using Convolutional Neural Networks (CNN) and Vision Transformer (ViT). The study aims to explore the potential advantages and differences of quantum deep learning techniques. It is envisioned that quantum computing can provide significant advantages in terms of computational speed and efficiency, especially in complex and large-scale data sets. Therefore, this study will contribute to a better understanding of the practical applications and potential impacts of quantum deep learning techniques. In this study, we evaluate the performance of four different quantum deep learning architectures using two different datasets. The classifiers used are the pretrained ResNet-50 with a kernel size of 5x5 and the state-of-the-art CaiT-24-XXS-224 (CaiT) transducers. Optimization was performed with Adam optimizer using the cross entropy loss function. A total of eight models were trained, each with ten iterations. Accuracy (Acc), balanced accuracy (BA), overall Fβ (F_beta) macro score F1 and F2, Matthew's Correlation Coefficient (MCC), sensitivity (Sens) and specificity (Spec) were used as performance measures. [ABSTRACT FROM AUTHOR]

Günümüzde kuantum bilgisayarların gücü ve potansiyelinin keşfedilmesiyle birlikte, kuantum tabanlı derin öğrenme modelleri geliştirmek ve anlamak önemli bir araştırma alanı haline gelmiştir. Bu çalışma, Evrişimli Sinir Ağları (CNN) ve Vision Transformer (ViT) kullanılarak öznitelik çıkarımı ve eğitim süreçlerini içeren Kuantum Transfer Öğrenme ve Kuantum Hibrit Öğrenme modellerini incelemektedir. Çalışma, kuantum derin öğrenme tekniklerinin potansiyel avantajlarını ve farklılıklarını araştırmayı amaçlamaktadır. Kuantum hesaplamanın, özellikle karmaşık ve büyük ölçekli veri setlerinde hesaplama hızı ve verimlilik açısından önemli avantajlar sağlayabileceği öngörülmektedir. Dolayısıyla, bu çalışma, kuantum derin öğrenme tekniklerinin pratik uygulamalarının ve potansiyel etkilerinin daha iyi anlaşılmasına katkıda bulunacaktır. Bu çalışmada, iki farklı veri seti kullanılarak dört farklı kuantum derin öğrenme mimarisinin performansı değerlendirilmiştir. Kullanılan sınıflandırıcılar, önceden eğitilmiş 5x5 çekirdek boyutuna sahip ResNet-50 ve son teknoloji ürünü CaiT-24-XXS-224 (CaiT) dönüştürücüleridir. Optimizasyon, Adam optimizer ile çapraz entropi kayıp fonksiyonu kullanılarak gerçekleştirilmiştir. Her biri on tekrarlı olmak üzere toplam sekiz model eğitimi yapılmıştır. Performans ölçütleri olarak doğruluk (Acc), dengeli doğruluk (BA), genel Fβ makro skorundan F1 ve F2, Matthew's Korelasyon Katsayısı (MCC), duyarlılık (Sens) ve özgüllük (Spec) kullanılmıştır. [ABSTRACT FROM AUTHOR]

Copyright of SDU Journal of Engineering Sciences & Design / Mühendislik Bilimleri ve Tasarım Dergisi is the property of Journal of Engineering Sciences & Design and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)