在灰度图像中的图案和结构检测通过在更高维空间中的量子图的应用

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 图形理论 图形理论

背景情况:

• 深度学习 (DL) 和机器学习 (ML) 模型,包括卷积神经网络 (CNN) 和视觉转换器 (VTs),面临着大数据集和图像分类的广泛参数调整的挑战.
• 现有的基于图形的方法,如可见度图 (VGs),由于高节点数量,可能需要大量的计算.
• 量子图 (QG) 已经在时间序列分析中取得了成功,用于在减少计算负载的情况下识别模式.

研究的目的:

• 将量子图 (QG) 框架从时间序列扩展到二维图像分类.
• 引入一个可扩展的,基于图表的特征提取方法,用于计算机视觉中的ML和DL.
• 评估QG与CNN和VT等既定方法的性能,特别是在数据不足的情况下.

主要方法:

• 开发了一种用于将二维图像转换为量子图 (QG) 的新方法.
• 使用基准数据集 (MNIST,时尚MNIST) 来评估QG与CNN和VTs的性能.
• 将QG方法应用于医学成像数据集,以证明其对疾病检测的相关性.

主要成果:

• 量子图 (QG) 展示了竞争性表现,在训练数据有限的场景中表现优于CNN和VT.
• 与CNN和VTs相比,QG在不同的培训配置中表现出更一致的结果.
• 在医学成像数据集上,QG方法被证明是有效的,突出了大脑疾病检测的潜力.

结论:

• 将量子图 (QG) 扩展到图像分类提供了一个计算效率高且可扩展的替代传统DL模型,特别是在数据限制下.
• QG框架提供了一个强大的特征提取技术,适用于各种计算机视觉任务和医疗图像分析.
• 这项研究引入了一个有价值的开源工具,用于推进机器学习和人工智能的基于图形的方法.