一种基于注意力增强和监督对比学习的量子卷积分类方法

本发明涉及图像分类，尤其涉及农业图像分类，具体为一种基于注意力增强和监督对比学习的量子卷积分类方法。

背景技术：

1、植物病害识别是智能农业和精准农业中的重要研究内容。传统植物病害识别主要依赖人工观察和专家经验，存在识别效率低、主观性强、难以大规模部署等问题。随着计算机视觉和深度学习技术的发展，基于图像的植物病害自动识别方法得到了广泛研究。

2、卷积神经网络能够自动提取图像中的颜色、纹理和形状特征，在植物病害识别任务中取得了较好的效果。然而，深度卷积模型通常参数量较大，对计算资源和数据规模具有较高要求。在轻量化农业智能诊断场景中，如何在有限计算资源下实现较高识别精度仍是需要解决的问题。

3、量子机器学习为图像分类提供了新的技术路线，量子卷积神经网络能够利用量子线路对低维输入特征进行分类，量子进化算法能够进一步优化量子卷积神经网络的线路结构。然而，现有量子图像分类方法通常需要将原始图像压缩为低维输入，容易造成病斑区域、纹理变化和边缘特征等细粒度信息丢失。如果输入到量子线路的低维特征缺乏判别性，即使后端量子线路经过结构搜索，也难以获得稳定的分类性能。

4、因此，需要一种能够在量子编码前增强图像关键区域特征、优化低维特征空间结构，并与量子卷积分类器有效结合的图像分类方法。

5、在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本发明的目的在于提供一种基于注意力增强和监督对比学习的量子卷积分类方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种基于注意力增强和监督对比学习的量子卷积分类方法，包括：

4、s1，获取已知类型标签的训练用图像集并经图像预处理后，输入至监督对比学习模块中，利用监督对比损失优化特征空间，以将训练用图像集中各训练用图像转化为具有高类间辨别力的低维特征向量；

5、其中，监督对比学习模块包括特征提取网络、全局平均池化层和非线性投影头，且特征提取网络用于对训练用图像进行通道注意力增强和空间注意力增强；

6、s2，对低维特征向量进行归一化处理后，结合相应类型标签对量子卷积分类模型进行预训练，在预训练过程中结合量子进化算法与模拟退火算法，求解量子卷积分类模型的最优量子线路；

7、s3，结合归一化处理后的低维特征向量和相应类型标签，对基于最优量子线路的量子卷积分类模型进行训练；

8、s4，提取待测试图像的低维特征向量并归一化处理后，输入至完成训练的量子卷积分类模型中，以确定待测试图像的类型标签。

9、进一步的，所述图像预处理包括尺寸归一化和像素归一化。

10、进一步的，所述特征提取网络包括卷积特征提取层和卷积块注意力模块，基于特征提取网络将经图像预处理后的训练用图像转化为注意力增强特征图；

11、其中，全局平均池化层用于将注意力增强特征图转化为一维特征向量；

12、其中，非线性投影头包括层间加入一relu激活函数的两全连接层，用于将一维特征向量映射至特征空间内。

13、进一步的，将训练用图像转化为低维特征向量的逻辑为：将经过图像预处理后的各训练用图像划分为若干训练批次，将各训练批次依次输入至监督对比学习模块中以进行训练，针对当前训练批次内的任一训练用图像，将当前训练批次内与其类型标签一致的其他训练用图像一一与其构成正样本对，并将当前训练批次内与其类型标签不一致的其他训练用图像一一与其构成负样本对，以最大化正样本对中两训练用图像在特征空间中的余弦相似度、最小化负样本对中两训练用图像在特征空间中的余弦相似度为优化方向，构建监督对比损失函数，并采用adam优化器，通过反向传播算法更新监督对比学习模块的网络参数以最小化损失函数，直至达到预定的最大迭代次数，再将监督对比学习模块中的非线性投影头替换为一个全连接层，然后再次将经过图像预处理后的各训练用图像依次输入至监督对比学习模块中，得到与各训练用图像一一对应的低维特征向量，以此将各训练用图像转化为具有高类间辨别力的低维特征向量。

14、进一步的，对低维特征向量进行归一化处理的方式由编码方式进行确定，若对低维特征向量进行振幅编码，则以低维特征向量归一化后的模长等于1为约束条件，对低维特征向量进行l2归一化，若对低维特征向量进行角度编码，则对低维特征向量进行最大-最小归一化，以将低维特征向量内各维度的元素值归一化至0-π或0-2π之间。

15、进一步的，所述量子卷积分类模型包括如下结构：

16、量子编码层，其用于对归一化后的低维特征向量进行编码，以将其转化为量子态；

17、量子卷积池化模块，其用于对量子态进行特征提取和筛选，以输出最终压缩后的量子态；

18、其中，量子卷积池化模块由多个依次堆叠的量子卷积池化单元组成，且量子卷积池化单元的数量基于对数缩减原则确定，针对每一量子卷积池化单元，其均包括一个量子卷积层，以及一个紧随其后的量子池化层；

19、量子测量层，其用于接收最终压缩后的量子态，并对其进行pauli算符的期望值测量，进而通过softmax激活函数将其映射为类型标签。

20、进一步的，求解最优量子线路的逻辑如下：

21、1）假定所有量子卷积层的量子门布置方案一致，所有量子池化层的量子门布置方案一致，以构建量子种群概率矩阵，并基于量子进化算法更新量子种群概率矩阵，以求解通用型全局最优组合；

22、2）基于通用型全局最优组合，构建用于表征各量子卷积层和量子池化层量子门布置方案的初始解，并基于模拟退火算法对初始解进行迭代优化，以求解细化型全局最优组合，将细化型全局最优组合对应的量子线路作为最优量子线路。

23、进一步的，求解通用型全局最优组合的逻辑如下：

24、1）将归一化后的低维特征向量和相应类型标签进行配对，以形成若干数据对，汇总所有数据对以形成训练用数据库，按照预定比例将训练用数据库划分为训练集、测试集和验证集；

25、2）假定所有量子卷积层的量子门布置方案一致，所有量子池化层的量子门布置方案一致，以构建量子种群概率矩阵，量子种群概率矩阵中的行表示量子门类型、列表示量子门位置，并将量子种群概率矩阵中的元素值均初始化为1与量子门类型数的比值；

26、3）根据量子种群概率矩阵进行多次随机采样，以生成多个量子门组合，进而搭建与各量子门组合一一对应的量子线路，针对每一量子线路，均采用训练集对基于该量子线路的量子卷积分类模型进行预训练，直至达到预定的预训练迭代次数，将验证集输入至基于该量子线路的量子卷积分类模型中进行验证，计算基于该量子线路的量子卷积分类模型在验证集上的分类准确率，将此分类准确率作为相应量子门组合的适应度值；

27、4）调取适应度值最大的量子门组合，以作为通用型局部最优组合，并基于此确定量子种群概率矩阵中的待增大元素值，对待增大元素值进行增大处理后，再以同列元素值累加值等于1为约束条件，对量子种群概率矩阵进行缩放更新；

28、5）重复步骤3），直至达到预定的最大循环轮次数，从量子种群概率矩阵中确定各列元素最大值所处的位置，以生成通用型全局最优组合。

29、进一步的，基于通用型局部最优组合，确定量子种群概率矩阵中的待增大元素值逻辑为：查询通用型局部最优组合中各量子门位置所选用的量子门类型，以作为相应量子门位置的优选量子门类型，从量子种群概率矩阵中锁定表示各量子门位置与相应优选量子门类型组合的位置，以作为待增大位置，将各待增大位置处的元素值作为待增大元素值；

30、其中，对待增大元素值进行增大处理的逻辑为：预设概率增大起始幅值，以及小于其的概率增大终止幅值，并结合当前循环轮次和最大循环轮次数，基于线性衰减策略确定当前循环轮次的概率增大基准幅值，并分析当前循环轮次下各量子门组合的适应度值均值和最大值间差距，以确定通用型局部最优组合的优异指数，基于该优异指数对当前循环轮次的概率增大基准幅值进行修正，以得到当前循环轮次的概率增大修正幅值，且优异指数与概率增大修正幅值正相关，并以概率增大起始幅值和概率增大终止幅值为约束，确定当前循环轮次的概率增大幅值，并将其与待增大元素值相加，以完成对待增大元素值的增大处理。

31、进一步的，求解细化型全局最优组合的逻辑如下：

32、1）设置初始温度、降温速率和终止温度，基于通用型全局最优组合构建初始解，并将其作为第一轮退火优化中的当前解，初始解包括每一量子卷积层中各量子门位置和量子门类型的组合，以及每一量子池化层中各量子门位置和量子门类型的组合；

33、2）迭代执行退火优化，直至当前退火优化轮次下的温度低于终止温度，在每一退火优化轮次下，均对该退火优化轮次下的当前解进行随机扰动，以生成新解，并搭建新解对应的量子线路，采用求解通用型全局最优组合时步骤3）的方法，计算新解的适应度值，针对每一个解，均计算1与该解适应度值的差值，以作为该解的能量值，结合该退火优化轮次下的温度，比较该退火优化轮次下当前解和新解的能量值，以确定是否接受新解作为下一退火优化轮次的当前解；

34、3）从各退火优化轮次中，筛选出能量值最低的解以作为最优解，其即为细化型全局最优组合，并将基于最优解搭建的量子线路作为最优量子线路。

35、与现有技术相比，本发明的有益效果包括如下三点：

36、1）本发明在量子编码前引入注意力增强机制，能够突出图像关键区域特征，减少背景和无关区域干扰，提高低维特征向量的构建质量；

37、2）本发明引入监督对比学习优化特征空间，使同类别样本更加紧凑、不同类别样本更加分离，从而提升不同类型标签下的低维特征向量可分性；

38、3）本发明结合量子进化算法与模拟退火算法优化量子线路，以在不增加量子线路规模或量子比特数量的前提下，提高量子卷积分类模型的分类性能，适合量子资源受限条件下的图像分类任务。