QFireNet：用于从 Sentinel-2 图像中进行野火分割的量子增强型 U-Net

arXiv:2607.14160v1 公告类型：新 摘要：卫星图像野火检测是一个语义图像分割问题，由于类别不平衡、特征复杂性和大气干扰等挑战，该问题已被证明是困难的。在本文中，我们在基本的 U-Net 图像分割模型的基础上开发了一种量子混合解决方案，希望能够更有效地对 Sen2Fire 数据集的高维光谱特征空间进行建模。我们在 U-Net 的瓶颈部分注入变分量子电路，特别是 QuFeX 和 QB-Net ansatze。我们测试了经典的特征金字塔网络（FPN），以进一步对模型进行比较分析，并且我们还探索了 U-Net 模型及其训练过程的经典改进，包括参数压缩、替代损失函数和输入数据的均匀混合。我们的主要发现是，在匹配条件下，QB-Net（$F_1$ 得分为 31.18）和 QuFeX（$F_1 = 30.79$）都优于经典的 U-Net 基线结果（$F_1 = 28.71$）。此外，经典 FPN 的可比分数为 31.13。一个重要的发现是，数据混合消除了地理上分离的训练集和测试集之间的显着域转移，这将经典 FPN $F_1$ 得分提高到 39.76。我们通过加州烧毁地区 (CaBuAr) 数据集上的跨数据集传输来验证该架构对野火检测问题的鲁棒性和通用性。总的来说，我们发现量子机器学习有潜力在野火图像分割问题上提供优势，进一步的实验将继续验证和扩展这一发现。