CN114187598B - 手写数字识别方法、设备及计算机可读存储介质 - Google Patents
手写数字识别方法、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114187598B CN114187598B CN202010862167.4A CN202010862167A CN114187598B CN 114187598 B CN114187598 B CN 114187598B CN 202010862167 A CN202010862167 A CN 202010862167A CN 114187598 B CN114187598 B CN 114187598B
- Authority
- CN
- China
- Prior art keywords
- quantum
- target
- picture
- neural network
- handwriting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000013528 artificial neural network Methods 0.000 claims abstract description 69
- 239000011159 matrix material Substances 0.000 claims description 54
- 230000001960 triggered effect Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 12
- 239000002096 quantum dot Substances 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了手写数字识别方法、***、设备及计算机可读存储介质,属于量子计算技术领域。手写数字识别方法包括:获取所述待识别图片的目标特征信息,并将所述目标特征信息输入训练后的目标经典神经网络,输出所述目标手写数字对应的目标参数值,作为量子逻辑门的参量值;根据所述量子逻辑门的参量值确定目标量子神经网络,并通过所述目标量子神经网络对应的量子线路计算出子量子态ψi及对应的概率Ci;根据所述子量子态ψi及对应的概率Ci,确定与所述目标手写数字对应的十进制值作为所述待识别图片的识别结果。本发明通过将目标量子神经网络的量子线路与目标经典神经网络结合能够实现对包含手写数字的图片进行数字读取。
Description
技术领域
本发明属于量子计算技术领域,特别是一种手写数字的识别方法,尤其涉及一种对包含手写数字的图片进行识别的方法、设备和计算机可读存储介质。
背景技术
近年来随着计算机技术和数字图像处理技术的飞速发展,手写数字识别技术在大规模数据统计、邮件分拣、财务、税务和金融等领域中都有着较为深远的应用需求。
目前,通过将带有手写数字的图片输入训练好的数字识别模型能够实现数据的自动录入,例如输入一个28×28像素的图片,识别输出一个标签值M´代表该图片上是什么数字,这能够极大地降低人工劳动成本。
但量子计算的技术如何应用于手写数字识别领域亟需探索解决。
发明内容
本发明的目的是提供一种手写数字识别方法、设备和计算机可读存储介质,以解决上述的问题,它利用目标量子神经网络对应的量子线路和神经网络结合能够实现对包含手写数字的图片的识别,方法包括:
在接收到用户操作触发的数字输入指令时,获取当前用户在终端界面的第一识别区域中的手写轨迹数据,并在所述第一识别区域中显示所述手写轨迹数据对应的目标手写数字,作为待识别图片;
在接收到数字识别指令时,获取所述待识别图片的目标特征信息,并将所述目标特征信息输入训练后的目标经典神经网络,输出所述目标手写数字对应的目标参数值,作为量子逻辑门的参量值;
根据所述量子逻辑门的参量值确定目标量子神经网络,并通过所述目标量子神经网络对应的量子线路计算出子量子态ψi及对应的概率Ci;
根据所述子量子态ψi及对应的概率Ci,确定与所述目标手写数字对应的十进制值作为所述待识别图片的识别结果,并在所述终端界面的结果显示区域中显示所述识别结果。
如上所述的手写数字识别方法,较优选的,所述在接收到用户操作触发的数字输入指令时的步骤之后,还包括:
获取所述数字输入指令的输入类型是选择输入类型还是手写输入类型;
若所述输入类型为所述选择输入类型,则获取预存数字图像,并在所述终端界面的图像待选区域显示各个数字图像;
在接收到所述当前用户基于所述数字图像触发的选中指令时,根据所述选中指令在各个数字图像中确定目标数字图像,并在所述终端界面的第二识别区域中显示所述目标数字图像,作为所述待识别图片;
若所述输入类型为所述手写输入类型,则执行:获取当前用户在终端界面的第一识别区域中的手写轨迹数据,并在所述第一识别区域中显示所述手写轨迹数据对应的目标手写数字,作为所述待识别图片的步骤。
如上所述的手写数字识别方法,较优选的,所述在接收到用户操作触发的数字输入指令时,获取当前用户在终端界面的第一识别区域中的手写轨迹数据,并在所述第一识别区域中显示所述手写轨迹数据对应的目标手写数字的步骤之后,还包括:
在接收到用户操作触发的擦除指令时,获取所述当前用户在所述第一识别区域中的擦除轨迹,并清除所述擦除轨迹中的手写数字数据。
如上所述的手写数字识别方法,较优选的,在接收到用户操作触发的数字输入指令时,获取当前用户在终端界面的第一识别区域中的手写轨迹数据,并在所述第一识别区域中显示所述手写轨迹数据对应的目标手写数字的步骤之后,还包括:
在接收到用户操作触发的清空指令时,清除所述第一识别区域中的手写数字数据,以供所述当前用户重新手写数字进行识别操作。
如上所述的手写数字识别方法,较优选的,所述目标特征信息为目标特征矩阵,所述获取所述待识别图片的目标特征信息的步骤具体包括:
获取所述待识别图片,并对所述待识别图片进行二值化处理,获得对应的二值图片;
对所述二值图片中的各像素进行矩阵化处理,获得像素矩阵,并对所述像素矩阵进行特征提取,获得对应的特征矩阵,作为所述目标特征矩阵。
如上所述的手写数字识别方法,较优选的,所述根据所述子量子态ψi及对应的概率Ci,确定与所述目标手写数字对应的十进制值作为所述待识别图片的识别结果的步骤具体包括:
确定与所述子量子态ψi相对应的十进制数xi,并计算出,作为所述待识别图片的识别结果。
如上所述的手写数字识别方法,较优选的,所述根据所述子量子态ψi及对应的概率Ci,确定与所述目标手写数字对应的十进制值作为所述待识别图片的识别结果的步骤具体包括:
根据所述子量子态ψi及对应的概率Ci,确定最大概率所对应的子量子态为第一子量子态;
确定与所述第一子量子态相对应的十进制数作为所述待识别图片的识别结果。
如上所述的手写数字识别方法,较优选的,所述将所述目标特征信息输入训练后的目标经典神经网络的步骤之前,还包括:
获取训练集中各样本图片对应的特征信息和标签值M,其中M=0、1、…、9;
初始化预设量子神经网络的量子线路中各含参量子逻辑门的参量,利用反向传播算法确定与各所述标签值M相对应的量子逻辑门的参量值;
根据各所述样本图片对应的特征信息以及与各所述标签值M相对应的量子逻辑门的参量值,利用反向传播算法确定经典神经网络的网络结构层权重参数和偏置参数,并生成所述目标经典神经网络。
如上所述的手写数字识别方法,较优选的,所述初始化预设量子神经网络的量子线路中各含参量子逻辑门的参量,利用反向传播算法确定与各所述标签值M相对应的量子逻辑门的参量值的步骤具体包括:
针对所述训练集中的每一标签值M,初始化一组随机值作为当前参量值θ;
根据设定的偏移量δ,确定当前参量值θ对应的正偏移、负偏移分别为θ+δ、θ-δ;
分别利用所述当前参量值θ、正偏移θ+δ、负偏移θ-δ更新所述量子神经网络的量子线路中各含参量子逻辑门的参量,获得对应的子量子态ψi及对应的概率Ci;
根据所述子量子态ψi及对应的概率ci,计算得到与所述当前参量值θ、正偏移θ+δ、负偏移θ-δ对应的十进制数N、N+、N-;
确定梯度grad为(N+-N-)(N-M);
利用θ=(θ-grad)迭代所述量子逻辑门的参量的当前参量值θ,并返回所述根据设定的偏移量δ,确定所述当前参量值θ对应的正偏移、负偏移分别为θ+δ、θ-δ的步骤,直至迭代次数达到设定值;
将与每一标签值M对应的当前参量值θ,确定为与各所述标签值M相对应的量子逻辑门的参量值。
如上所述的手写数字识别方法,较优选的,所述根据各所述样本图片对应的特征信息以及与各所述标签值M相对应的量子逻辑门的参量值,利用反向传播算法确定经典神经网络的网络结构层权重参数和偏置参数的步骤具体包括:
针对所述训练集中的每一样本图片对应的特征信息,初始化一组随机值作为所述神经网络的权重参数W和偏置参数B;
利用所述经典神经网络对样本图片的特征信息进行处理以获得量子逻辑门的参量的计算值;
根据所述参量的计算值和与所述标签值M相对应的量子逻辑门的参量值构建误差函数;
根据所述误差函数,采用基于梯度下降的反向传播算法迭代调整所述神经网络的权重参数W和偏置参数B,返回所述利用所述经典神经网络对样本图片的特征信息进行处理以获得量子逻辑门的参量的计算值的步骤,直至迭代次数达到设定值。
本申请的还有一个实施例提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行所述的方法。
本申请的另外还有一个实施例提供了一种手写数字识别设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现所述的方法。
与现有技术中传统的手写数字识别技术方案相比,本发明利用目标量子神经网络对应的量子线路结合识别包含手写数字的图片以实现量子计算在手写数字图片识别方面的应用,首先,通过在接收到用户操作触发的数字输入指令时,获取当前用户在终端界面的第一识别区域中的手写轨迹数据,并在所述第一识别区域中显示所述手写轨迹数据对应的目标手写数字,作为待识别图片;在接收到数字识别指令时,获取所述待识别图片的目标特征信息,并将所述目标特征信息输入训练后的目标经典神经网络,输出所述目标手写数字对应的目标参数值,作为量子逻辑门的参量值;根据所述量子逻辑门的参量值确定目标量子神经网络,并通过所述目标量子神经网络对应的量子线路计算出子量子态ψi及对应的概率Ci;根据所述子量子态ψi及对应的概率Ci,确定与所述目标手写数字对应的十进制值作为所述待识别图片的识别结果,并在所述终端界面的结果显示区域中显示所述识别结果。
附图说明
图1为本发明实施例提供一种手写数字识别方法的流程示意图;
图2为本发明实施例提供一种预设量子线路的示意图;
图3为本发明实施例提供一种手写数字识别方法中神经网络的训练方法流程图。
具体实施方式
下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本发明实施例首先提供了一种手写数字识别方法,该方法可以应用于电子设备,如计算机终端,具体如普通电脑、量子计算机等,形成手写数字识别设备。即在实施例中,一种手写数字识别设备可以为计算机设备,计算机设备上装载有进行手写数字识别的软件。手写数字识别设备包括交互模块、至少一个处理器和存储器。可选地,上述计算机终端还可以包括用于通信功能的传输装置,本领域普通技术人员可以理解,计算机终端还可包括比上述所列更多或者更少的组件,或者具有与上述所列不同的配置。
其中,交互模块可以包括设备的输入/输出装置,例如显示屏、鼠标、键盘、触摸屏等,交互模块用于接收输入指令以及提供配置界面,例如,用户触发计算机设备上的手写数字识别的软件图标,显示屏可以提供手写数字识别的功能界面,用户可以通过键盘或鼠标或触摸屏在功能界面输入配置指令,以进行手写数字的识别。
存储器与至少一个处理器通信连接,存储器存储有可被至少一个存储器执行的指令,指令被至少一个处理器执行时,使至少一个处理器执行手写数字的识别方法。存储器为计算机可读存储介质,可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端被计算机读取。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
下面参照附图描述根据本发明实施例的手写数字识别方法。
本发明的实施例提供了一种手写数字的识别方法,参见图1,所述方法包括步骤S100至S400,其中:
S100、在接收到用户操作触发的数字输入指令时,获取当前用户在终端界面的第一识别区域中的手写轨迹数据,并在所述第一识别区域中显示所述手写轨迹数据对应的目标手写数字,作为待识别图片;
其中,所述在接收到用户操作触发的数字输入指令时的步骤之后,还包括:
获取所述数字输入指令的输入类型是选择输入类型还是手写输入类型;
若所述输入类型为所述选择输入类型,则获取预存数字图像,并在所述终端界面的图像待选区域显示各个数字图像;
在接收到所述当前用户基于所述数字图像触发的选中指令时,根据所述选中指令在各个数字图像中确定目标数字图像,并在所述终端界面的第二识别区域中显示所述目标数字图像,作为所述待识别图片;
若所述输入类型为所述手写输入类型,则执行:获取当前用户在终端界面的第一识别区域中的手写轨迹数据,并在所述第一识别区域中显示所述手写轨迹数据对应的目标手写数字,作为所述待识别图片的步骤。
本实施例中,本发明提供一种手写数字的识别软件,用户可在终端界面输入待识别数字,输入待识别数字包括两种输入类型,即所述数字输入指令的输入类型包括选择输入类型以及手写输入类型。其中,手写输入类型是用户通过实时手写输入待识别数字,选择输入类型是用户通过选择终端界面预显示的待识别手写数字图片进行数字识别。在检测到用户通过实时手写输入的待识别数字操作触发的数据输入指令时,实时检测用户在当前终端界面的有效区域内的手写轨迹,即获取当前用户在终端界面的第一识别区域中的手写轨迹数据,然后根据所述手写轨迹数据在所述第一识别区域内对应渲染显示出对应的目标手写数字,并将所述目标手写数字作为待识别图片。其中,在对应渲染显示出的目标手写数字不符合识别条件时,如手写数字过大或过小、手写数字字迹不连续及手写数字不明确(又像2又像3)等,则清空所述第一识别区域内手写轨迹数据对应的目标手写数字,并显示手写数字不规范请重新输入的提醒消息。在检测到用户通过终端界面的选择输入按钮触发的选择输入类型时,获取数据库中预存的数据图像(即预先存储的待识别手写数字图片),然后在终端界面的预设图像待选区域内显示各个数字图像,以供用户在所述各个数字图像中进行选择。检测用户通过选择终端界面当前显示的待识别手写数字图片触发的选中指令,并在接收到选中指令时,在各个数字图像中确定目标数字图像,在所述终端界面的预设第二识别区域中显示所述目标数字图像。并将所述目标数字图像作为待识别图片,进行数字识别操作。
进一步地,所述在接收到用户操作触发的数字输入指令时,获取当前用户在终端界面的第一识别区域中的手写轨迹数据,并在所述第一识别区域中显示所述手写轨迹数据对应的目标手写数字的步骤之后,还包括:
在接收到用户操作触发的擦除指令时,获取所述当前用户在所述第一识别区域中的擦除轨迹,并清除所述擦除轨迹中的手写数字数据。
本实施例中,为了便于用户进行输入操作,提升用户体验,提供擦除和清空功能。手写数字区域可包括多个区域,若某个区域的少量手写轨迹发生错误时,用户可通过终端界面显示的擦除按钮触发擦除指令。若一个区域或多个区域发生大面积手写轨迹错误时,用户可通过终端界面显示的清空按钮触发清空指令。具体地,在接收到用户操作触发的擦除指令时,获取所述当前用户在所述第一识别区域中的擦除轨迹,并清除所述擦除轨迹中的手写数字数据,以便对当前已输入的手写数字轨迹进行修正。在接收到用户操作触发的清空指令时,清除所述第一识别区域中的手写数字数据,以供所述当前用户重新手写数字进行识别操作。
S200、在接收到数字识别指令时,获取所述待识别图片的目标特征信息,并将所述目标特征信息输入训练后的目标经典神经网络,输出所述目标手写数字对应的目标参数值,作为量子逻辑门的参量值;
在本发明实施例中,所述目标特征信息为特征矩阵,其中,所述待识别图片为包含手写数字的图片。获取所述待识别图片的目标特征信息,其中,所述特征矩阵包括当前参量值θ,将包括当前参量值θ的所述特征矩阵输入训练后的目标经典神经网络,输出所述目标手写数字对应的目标参量值θ,作为量子逻辑门的参量值,其中,获取所述待识别图片的目标特征信息的步骤具体包括:
S201、获取所述待识别图片,并对所述待识别图片进行二值化处理,获得对应的二值图片;
S202、对所述二值图片中的各像素进行矩阵化处理,获得像素矩阵,并对所述像素矩阵进行特征提取,获得对应的特征矩阵,作为所述目标特征矩阵。
在本实施中,包含手写数字的待识别图片的获取可通过由识别装置与手写输入装置电连接直接获取,例如,由触摸板、触摸屏或手写板等感触设备接收用户触碰感触设备获得的数字笔画,并由感触设备将数字笔画转换为bmp或jpg等格式的待识别图片;或者,由扫描仪或摄像头等设备将用户写在纸上或其他可视界面上的数字笔画转换为bmp或jpg等格式的待识别图片。其中,在接收待识别图片之后,还可对待识别图片中的手写数字进行分割处理,以使每一待识别图片中仅包括唯一待识别手写数字。
随后,手写数字的识别装置在接收该待识别图片之后,对该待识别图片进行二值化处理,以获得呈现黑白效果的二值图片。在二值处理的过程中,二值处理的灰度阈值可由本领域技术人员自行设定,可知的是,该灰度阈值可用于确定待识别图片中每一个像素在二值图片中的像素值。经过上述的二值处理,待识别图片被处理为宽度为U个像素、高度为V个像素的二值图片;其中,所述U为正整数,所述V正整数;其中的U与V可相等,也可不相等,本实施例对此不进行限制。
在本发明的一些实施例中,步骤S202、所述对所述二值图片进行矩阵化处理,获得待识别图片的特征矩阵的步骤,具体包括:首先,对所述二值图片中的各像素进行矩阵化处理,获得像素矩阵;然后,对所述像素矩阵进行特征提取,获得对应的特征矩阵,作为所述目标特征矩阵。具体来说,二值图片的宽度为M个像素、高度为N个像素,先根据该二值图片中的各像素,获得M×N的矩阵,该矩阵中的各矩阵元素的位置与二值图片的各像素的位置相对应。之后,进一步对该像素矩阵进行处理,即根据预设的元素数量阈值和该像素矩阵中的各元素的元素值对该像素矩阵进行特征提取,以获得像素矩阵的一维特征矩阵。一般来说,在二值图片中,仅有若干像素点的灰度值不为0,这些不为0的灰度值可理解为手写数字的笔画所在位置或笔画轨迹,因此,当利用像素矩阵的方式表示二值图片时,可进一步对该像素矩阵进行简化处理,在像素矩阵的各元素中选取元素值不为0的元素,并获得这些元素的行列值,并将这些行列值以一维数组的形式进行展现,以表示像素矩阵的特征矩阵,其中,由于各像素矩阵对应的一维特征矩阵的元素数量的差异,在该实施方式中,可对其元素数量阈值进行设置,以使神经网络对其进行识别。
S300、根据所述量子逻辑门的参量值确定目标量子神经网络,并通过所述目标量子神经网络对应的量子线路计算出子量子态ψi及对应的概率Ci;
在本发明的实施例中,所述目标量子神经网络对应的量子线路包含至少4个量子比特,且各所述量子比特上均作用有含参量子逻辑门,在执行量子线路时,含参量子逻辑门的参量根据步骤S200中获得的参量值更新,然后根据更新后的所述量子逻辑门的参量值确定目标量子神经网络。
示例性的,参见图2所示,所述量子线路包括q0、q1、q2、q3共4个量子比特,且每个量子比特上均依次的作用有H门以及RY门,其中,RY门的矩阵形式包含一个参量。预设量子线路中量子比特q3q2q1q0的初始态为|0000>,经H门作用后的各子量子态的概率均等,然后经RY门作用旋转,各子量子态的概率发生改变,预设量子线路按这种方式构建,便于快速运算、旋转至任一子量子态。除RY门之外,含参量子逻辑门还可以采用RX、RZ、U门。在本发明一些实施例中,预设量子线路中各量子比特上也可以直接作用含参量子逻辑门,或者是采用X、Y、Z门替代上述示例中的H门。关于以上量子逻辑门的具体形式参见如下表1介绍。
示例性的,结合图2所示,记q0、q1、q2、q3上作用的RY门的参量分别为θq0、θq1、θq2、θq3,经步骤S200处理后,获得[a0,a1,a2,a3]T,在本步骤中利用a0、a1、a2、a3分别更新θq0、θq1、θq2、θq3的值,执行所述预设量子线路即可获得计算的子量子态ψi及对应的概率Ci,在此需要说明的是,子量子态ψi所对应的概率Ci为子量子态ψi所对应的振幅ci的平方,即Ci=ci 2。
本领域技术人员应该了解,量子比特是量子计算中基本的信息单位,n个量子比特对应有2n个子量子态,q0、q1、…、qn-1是指比特位从0至n-1的量子比特。另外需要说明的是,子量子态的表示对应qn-1qn-2……q0的排布规则,且从右至左对应的比特位由低位到高位。
举例而言:
1个量子比特所处的逻辑状态为2个子量子态ψ0和ψ1的叠加态,ψ0和ψ1分别为|0>和|1>,该1个量子比特所处的任一逻辑状态可以表示为:
ψ=a|0>+b|1>
其中,a、b分别为|0>、|1>的振幅,a、b均为复数形式。
ψ对应的矩阵表示为:
测量后,该1个量子比特所处的逻辑状态塌缩至一个固定的子量子态|0>或|1>,其中,塌缩至|0>的概率是a2,塌缩至|1>的概率是b2,a2+b2=1。
4个量子比特所处的逻辑状态为24(即16)子个量子态的叠加态,其中,这16个子量子态ψ0至ψ15分别为|0000>、|0001>、|0010>、|0011>、|0100>、|0101>、|0110>和|0111>、|1000>、|1001>、|1010>、|1011>、|1100>、|1101>、|1110>和|1111>,此时,该4个量子比特所处的任一逻辑状态ψ可以表示为:
且ψ对应的矩阵表示为:
其中,16个子量子态中的每个子量子态(或称量子态分量)对应的振幅为c0至c15这些复数中的一个,c0至c15的下标值为该振幅所属量子态的二进制对应的十进制值,我们把c0至c15这些复数中的每一个称作一个振幅。测量后,坍缩至子量子态ψ0至ψ15的概率分别为对应振幅的平方,即坍缩至子量子态ψi的概率Ci=ci 2,i=0、1、2、……、15。
量子计算的过程,是不同的量子逻辑门按次序操作对应量子比特的过程,其中,我们把这些按次序组合起来以作用在对应量子比特上的量子逻辑门序列称为量子线路。通常用酉矩阵表示量子逻辑门,则量子线路执行计算时,即是不同的量子逻辑门对应的酉矩阵对初始的量子态按次序进行左乘的过程。
部分常用的量子逻辑门及其对应的矩阵表示如下表,H代表阿达马Hadamard门,X代表泡利-X门(其对应的矩阵为泡利矩阵σx),Y代表泡利-Y门(其对应的矩阵为泡利矩阵σy),Z代表泡利-Z门(其对应的矩阵为泡利矩阵σz),RX代表任意旋转泡利-X门,RY代表任意旋转泡利-Y门,RZ代表任意旋转泡利-Z门,关于量子逻辑门的其他知识在此不再赘述。
表1部分常用的量子逻辑门
S400、根据所述子量子态ψi及对应的概率Ci,确定与所述目标手写数字对应的十进制值作为所述待识别图片的识别结果,并在所述终端界面的结果显示区域中显示所述识别结果。
在本发明的一些实施例中,所述根据所述子量子态ψi及对应的概率Ci,确定与所述目标手写数字对应的十进制值作为所述待识别图片的识别结果的步骤,包括:
S401、确定与所述子量子态ψi相对应的十进制数xi,其中:
ψ0=|0000>,与ψ0相对应的十进制数x0=0;ψ1=|0001>,与ψ1相对应的十进制数x1=1;ψ2=|0010>,与ψ2相对应的十进制数x2=2;ψ3=|0011>,与ψ3相对应的十进制数x3=3;ψ4=|0100>,与ψ4相对应的十进制数x4=4;ψ5=|0101>,与ψ5相对应的十进制数x5=5;ψ6=|0110>,与ψ6相对应的十进制数x6=6;ψ7= |0111>,与ψ7相对应的十进制数x7=7;ψ8=|1000>,与ψ8相对应的十进制数x8=8;ψ9=|1001>,与ψ9相对应的十进制数x9=9;ψ10=|1010>,与ψ10相对应的十进制数x10=10;ψ11=|1011>,与ψ11相对应的十进制数x11=11;ψ12=|1100>,与ψ12相对应的十进制数x12=12;ψ13=|1101>,与ψ13相对应的十进制数x13=13;ψ14=|1110>,与ψ14相对应的十进制数x14=14;ψ15=|1111>,与ψ15相对应的十进制数x15=15。
S402、计算出,作为所述待识别图片的识别结果。
在本发明的另一些实施例中,所述根据所述子量子态ψi及对应的概率Ci,确定与所述手写数字对应的十进制值作为所述待识别图片的识别结果的步骤,包括:
S401´、根据所述子量子态ψi及对应的概率Ci,确定最大概率所对应的子量子态为第一子量子态,对于前述包含q0、q1、q2、q3的量子线路示例中,即先确定C0、C1、…、C15中的最大值Cmax,然后确定该最大值Cmax所对应的子量子态为第一量子态;
S402´、确定与所述第一子量子态相对应的十进制数作为所述待识别图片的识别结果。根据子量子态确定相对应的十进制数xi作的过程,同前述介绍,在此不再赘述。
由此可见,本发明实施例利用目标量子神经网络对应的量子线路结合识别包含手写数字的图片以实现量子计算在手写数字图片识别方面的应用,首先,通过在接收到用户操作触发的数字输入指令时,获取当前用户在终端界面的第一识别区域中的手写轨迹数据,并在所述第一识别区域中显示所述手写轨迹数据对应的目标手写数字,作为待识别图片;在接收到数字识别指令时,获取所述待识别图片的目标特征信息,并将所述目标特征信息输入训练后的目标经典神经网络,输出所述目标手写数字对应的目标参数值,作为量子逻辑门的参量值;根据所述量子逻辑门的参量值确定目标量子神经网络,并通过所述目标量子神经网络对应的量子线路计算出子量子态ψi及对应的概率Ci;根据所述子量子态ψi及对应的概率Ci,确定与所述目标手写数字对应的十进制值作为所述待识别图片的识别结果,并在所述终端界面的结果显示区域中显示所述识别结果。
图3为本发明实施例提供的手写数字识别方法中神经网络的训练方法流程图。
参见图3所示,所述将所述目标特征信息输入训练后的目标经典神经网络的步骤之前,具体包括步骤S501至步骤S503,其中:
S501、获取训练集中各样本图片对应的特征信息和标签值M,其中M=0、1、…、9;
本步骤中,所述目标特征信息为特征矩阵,获得训练集中各样本图片对应的特征矩阵的方式可以参照前述,所述训练集中有多个样本图片,每个样本图片都有一个特征矩阵和一个标签值,其中,所述标签值与样本图片上的手写数字相对应。
S502、初始化预设量子神经网络的量子线路中各含参量子逻辑门的参量,利用反向传播算法确定与各所述标签值M相对应的量子逻辑门的参量值;
即,本步骤S502利用训练集中各样本图片的标签值,通过反向传播算法确定预设量子线路中与各样本图片的标签值相对应的量子逻辑门的参量值,作为本步骤S502的一种具体实施方式如下:
针对所述训练集中的每一标签值M,初始化一组随机值作为所述预设量子线路中量子逻辑门的当前参量值θ,本步骤可以记迭代次数λ=0;
根据设定的偏移量δ,确定当前参量值θ对应的正偏移、负偏移分别为θ+δ、θ-δ;
分别利用所述当前参量值θ、正偏移θ+δ、负偏移θ-δ更新所述预设量子线路中量子逻辑门的参量,获得对应的子量子态ψi及对应的概率ci;
根据所述子量子态ψi及对应的概率Ci,计算得到与所述当前参量值θ、正偏移θ+δ、负偏移θ-δ对应的十进制数N、N+、N-;
确定梯度grad为(N+-N-)(N-M);
利用θ=(θ-grad)迭代所述当前参量的值θ,更新迭代次数λ=λ+1,并返回所述根据设定的偏移量δ,确定当前参量值θ对应的正偏移、负偏移分别为θ+δ、θ-δ的步骤,直至迭代次数λ达到设定值;
确定与各所述标签值M对应的量子逻辑门的参量值,也即通过确定训练集中每一标签值M对应的当前参量值θ,确定训练集中与各所述标签值M对应的量子逻辑门的参量值。
基于上述的一种具体实施步骤,即可确定训练集中各样本图片的标签值M所对应的量子逻辑门的参量值,基于训练集中各样本图片的特征矩阵、以及各样本图片的标签值M所对应的量子逻辑门的参量值,再进行下述步骤S503。
S503、根据各所述样本图片对应的特征信息以及与各所述标签值M相对应的量子逻辑门的参量值,利用反向传播算法确定经典神经网络的网络结构层权重参数和偏置参数,并生成所述目标经典神经网络。
即,本步骤S503利用所获得的各样本图片对应的特征矩阵,以及经过预设量子线路确定的与各样本图片的标签值相对应的量子逻辑门的参量值作为输入神经网络的训练样本,通过训练样本训练神经网络以确定神经网络中的权重参数W和偏置参数B,需要说明的是,本步骤中的神经网络可以是BP神经网络,抑或是卷积神经网络,对于训练过程中所涉及的其他参数,例如学习率、迭代次数等本领域技术人员可根据具体应用情况预设,在此不赘述。在本发明的一些实施例中,本步骤中的神经网络可以是仅包含输入层、隐含层的网络模型,输入层根据所述待识别图片的特征信息进行计算处理并将计算处理结果传输给隐含层,隐含层对输入层传输的计算处理结果计算处理获得量子逻辑门的参量值,其中,输入层、隐含层之间的权重参数和偏置参数参照前述步骤确定,经隐含层输出获得的向量[a0,a1,a2,a3]T用于更新θq0、θq1、θq2、θq3,预设量子线路计算即可获得子量子态及对应的概率,进而确定识别结果,相对于传统的手写数字识别神经网络模型中设置单独的输出层连接隐含层,对隐含层传输的计算处理结果进一步计算处理并输出识别结果的方式,本发明实施例利用量子线路确定识别结果予以替代,充分借助了量子计算的优势,具有运算效率高的特点。
作步骤S503的一种具体实施方式如下:
针对所述训练集中的每一样本图片对应的特征矩阵,初始化一组随机值作为所述神经网络的权重参数W和偏置参数B,本步骤可以记迭代次数μ=0;
利用所述神经网络对样本图片的特征矩阵进行处理以获得量子逻辑门的参量的计算值;
根据所述参量的计算值和与所述每一样本图片的标签值M所对应的量子逻辑门的参量的值构建误差函数;
根据所述误差函数,采用基于梯度下降的反向传播算法迭代调整所述神经网络的权重参数W和偏置参数B,更新迭代次数μ=μ+1,返回所述利用所述神经网络对样本图片的特征矩阵进行处理以获得量子逻辑门的参量的计算值的步骤,直至迭代次数μ达到设定值。
需要说明的是,反向传播算法是用来求解神经网络中误差函数对其参数的偏导数,进而优化误差函数以获得需要的神经网络模型。反向传播算法的流程:首先,进行前向传播运算,逐层计算神经网络每层节点的输出值。然后,针对每层节点,计算其残差,残差是从后向前的求导过程。接着,计算权重参数和偏置参数的偏导数,并更新权重参数和偏置参数。最后,重复以上方法迭代神经网络参数使误差函数收敛到一个极小值,最终求解得到神经网络模型。
本实施例还提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行本发明实施例中所述手写数字识别方法的步骤。
具体的,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本实施例还提供一种手写数字识别设备,它包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如本发明实施例中所述手写数字识别方法的步骤。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个模块或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或模块的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的模块可以是、或也可以不是物理上分开的,作为模块显示的部件可以是、或也可以不是物理模块;既可以位于一个地方,也可以分布到多个网络模块上;可以根据实际的需要选择其中的部分或全部模块来实现本实施例方案的目的。
另外,在本申请各实施例中的各功能模块可以全部集成在一个处理模块中,也可以是各模块分别单独作为一个模块,也可以两个或两个以上模块集成在一个模块中;上述集成的模块既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本申请上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台实现资源变更的设备(可以是计算机、服务器等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (12)
1.一种手写数字识别方法,其特征在于,所述手写数字识别方法包括:
在接收到用户操作触发的数字输入指令时,获取当前用户在终端界面的第一识别区域中的手写轨迹数据,并在所述第一识别区域中显示所述手写轨迹数据对应的目标手写数字,作为待识别图片;
在接收到数字识别指令时,获取所述待识别图片的目标特征信息,并将所述目标特征信息输入训练后的目标经典神经网络,输出所述目标手写数字对应的目标参数值,作为量子逻辑门的参量值,其中,训练集中各样本图片对应有特征信息和标签值M,所述目标经典神经网络是根据各特征信息以及与各标签值M相对应的量子逻辑门的参量值,利用反向传播算法确定经典神经网络的网络结构层权重参数和偏置参数生成的;根据所述量子逻辑门的参量值确定目标量子神经网络,并通过所述目标量子神经网络对应的量子线路计算出子量子态ψi及对应的概率Ci;
根据所述子量子态ψi及对应的概率Ci,确定与所述目标手写数字对应的十进制值作为所述待识别图片的识别结果,并在所述终端界面的结果显示区域中显示所述识别结果。
2.根据权利要求1所述的手写数字识别方法,其特征在于,所述在接收到用户操作触发的数字输入指令时的步骤之后,还包括:
获取所述数字输入指令的输入类型是选择输入类型还是手写输入类型;
若所述输入类型为所述选择输入类型,则获取预存数字图像,并在所述终端界面的图像待选区域显示各个数字图像;
在接收到所述当前用户基于所述数字图像触发的选中指令时,根据所述选中指令在各个数字图像中确定目标数字图像,并在所述终端界面的第二识别区域中显示所述目标数字图像,作为所述待识别图片;
若所述输入类型为所述手写输入类型,则执行:获取当前用户在终端界面的第一识别区域中的手写轨迹数据,并在所述第一识别区域中显示所述手写轨迹数据对应的目标手写数字,作为所述待识别图片的步骤。
3.根据权利要求2所述的手写数字识别方法,其特征在于,所述在接收到用户操作触发的数字输入指令时,获取当前用户在终端界面的第一识别区域中的手写轨迹数据,并在所述第一识别区域中显示所述手写轨迹数据对应的目标手写数字的步骤之后,还包括:
在接收到用户操作触发的擦除指令时,获取所述当前用户在所述第一识别区域中的擦除轨迹,并清除所述擦除轨迹中的手写数字数据。
4.根据权利要求3所述的手写数字识别方法,其特征在于,所述在接收到用户操作触发的数字输入指令时,获取当前用户在终端界面的第一识别区域中的手写轨迹数据,并在所述第一识别区域中显示所述手写轨迹数据对应的目标手写数字的步骤之后,还包括:
在接收到用户操作触发的清空指令时,清除所述第一识别区域中的手写数字数据,以供所述当前用户重新手写数字进行识别操作。
5.根据权利要求1所述的手写数字识别方法,其特征在于,所述目标特征信息为目标特征矩阵,所述获取所述待识别图片的目标特征信息的步骤具体包括:
获取所述待识别图片,并对所述待识别图片进行二值化处理,获得对应的二值图片;
对所述二值图片中的各像素进行矩阵化处理,获得像素矩阵,并对所述像素矩阵进行特征提取,获得对应的特征矩阵,作为所述目标特征矩阵。
6.根据权利要求1所述的手写数字识别方法,其特征在于,所述根据所述子量子态ψi及对应的概率Ci,确定与所述目标手写数字对应的十进制值作为所述待识别图片的识别结果的步骤具体包括:
确定与所述子量子态ψi相对应的十进制数xi,并计算出∑xiCi,作为所述待识别图片的识别结果。
7.根据权利要求1所述的手写数字识别方法,其特征在于,所述根据所述子量子态ψi及对应的概率Ci,确定与所述目标手写数字对应的十进制值作为所述待识别图片的识别结果的步骤具体包括:
根据所述子量子态ψi及对应的概率Ci,确定最大概率所对应的子量子态为第一子量子态;
确定与所述第一子量子态相对应的十进制数作为所述待识别图片的识别结果。
8.根据权利要求1-7中任一项所述的手写数字识别方法,其特征在于,所述将所述目标特征信息输入训练后的目标经典神经网络的步骤之前,还包括:
获取训练集中各样本图片对应的特征信息和标签值M,其中M=0、1、…、9;
初始化预设量子神经网络的量子线路中各含参量子逻辑门的参量,利用反向传播算法确定与各所述标签值M相对应的量子逻辑门的参量值。
9.根据权利要求8所述的手写数字识别方法,其特征在于,所述初始化预设量子神经网络的量子线路中各含参量子逻辑门的参量,利用反向传播算法确定与各所述标签值M相对应的量子逻辑门的参量值的步骤具体包括:
针对所述训练集中的每一标签值M,初始化一组随机值作为当前参量值θ;
根据设定的偏移量δ,确定当前参量值θ对应的正偏移、负偏移分别为θ+δ、θ-δ;
分别利用所述当前参量值θ、正偏移θ+δ、负偏移θ-δ更新所述量子神经网络的量子线路中各含参量子逻辑门的参量,获得对应的子量子态ψi及对应的概率Ci;
根据所述子量子态ψi及对应的概率ci,计算得到与所述当前参量值θ、正偏移θ+δ、负偏移θ-δ对应的十进制数N、N+、N-;
确定梯度grad为(N+-N-)(N-M);
利用θ=(θ-grad)迭代所述量子逻辑门的参量的当前参量值θ,并返回所述根据设定的偏移量δ,确定所述当前参量值θ对应的正偏移、负偏移分别为θ+δ、θ-δ的步骤,直至迭代次数达到设定值;
将与每一标签值M对应的当前参量值θ,确定为与各所述标签值M相对应的量子逻辑门的参量值。
10.根据权利要求8所述的手写数字识别方法,其特征在于,所述根据各所述样本图片对应的特征信息以及与各所述标签值M相对应的量子逻辑门的参量值,利用反向传播算法确定经典神经网络的网络结构层权重参数和偏置参数的步骤具体包括:
针对所述训练集中的每一样本图片对应的特征信息,初始化一组随机值作为所述神经网络的权重参数W和偏置参数B;
利用所述经典神经网络对样本图片的特征信息进行处理以获得量子逻辑门的参量的计算值;
根据所述参量的计算值和与所述标签值M相对应的量子逻辑门的参量值构建误差函数;
根据所述误差函数,采用基于梯度下降的反向传播算法迭代调整所述神经网络的权重参数W和偏置参数B,返回所述利用所述经典神经网络对样本图片的特征信息进行处理以获得量子逻辑门的参量的计算值的步骤,直至迭代次数达到设定值。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行权利要求1至10中任意一项所述的方法。
12.一种手写数字识别设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至10任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010862167.4A CN114187598B (zh) | 2020-08-25 | 2020-08-25 | 手写数字识别方法、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010862167.4A CN114187598B (zh) | 2020-08-25 | 2020-08-25 | 手写数字识别方法、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114187598A CN114187598A (zh) | 2022-03-15 |
CN114187598B true CN114187598B (zh) | 2024-02-09 |
Family
ID=80600637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010862167.4A Active CN114187598B (zh) | 2020-08-25 | 2020-08-25 | 手写数字识别方法、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114187598B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115293254A (zh) * | 2022-07-29 | 2022-11-04 | 合肥本源量子计算科技有限责任公司 | 基于量子多层感知器的分类方法及相关设备 |
CN115761384B (zh) * | 2023-01-09 | 2023-04-28 | 苏州浪潮智能科技有限公司 | 一种图像分类方法、装置、电子设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650808A (zh) * | 2016-12-20 | 2017-05-10 | 北京工业大学 | 一种基于量子近邻算法的图像分类方法 |
CA3065859A1 (en) * | 2017-06-02 | 2018-12-06 | Google Llc | Quantum neural network |
CN109074520A (zh) * | 2016-04-13 | 2018-12-21 | 1Qb信息技术公司 | 量子处理器及其用于实现神经网络的用途 |
CN109844775A (zh) * | 2016-12-02 | 2019-06-04 | 国立大学法人东京工业大学 | 神经网络电路装置、神经网络、神经网络处理方法及神经网络的执行程序 |
CN109948742A (zh) * | 2019-03-25 | 2019-06-28 | 西安电子科技大学 | 基于量子神经网络的手写体图片分类方法 |
CN110942004A (zh) * | 2019-11-20 | 2020-03-31 | 深圳追一科技有限公司 | 基于神经网络模型的手写识别方法、装置及电子设备 |
CN111401396A (zh) * | 2019-01-03 | 2020-07-10 | 阿里巴巴集团控股有限公司 | 图像识别方法及装置 |
-
2020
- 2020-08-25 CN CN202010862167.4A patent/CN114187598B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109074520A (zh) * | 2016-04-13 | 2018-12-21 | 1Qb信息技术公司 | 量子处理器及其用于实现神经网络的用途 |
CN109844775A (zh) * | 2016-12-02 | 2019-06-04 | 国立大学法人东京工业大学 | 神经网络电路装置、神经网络、神经网络处理方法及神经网络的执行程序 |
CN106650808A (zh) * | 2016-12-20 | 2017-05-10 | 北京工业大学 | 一种基于量子近邻算法的图像分类方法 |
CA3065859A1 (en) * | 2017-06-02 | 2018-12-06 | Google Llc | Quantum neural network |
CN111401396A (zh) * | 2019-01-03 | 2020-07-10 | 阿里巴巴集团控股有限公司 | 图像识别方法及装置 |
CN109948742A (zh) * | 2019-03-25 | 2019-06-28 | 西安电子科技大学 | 基于量子神经网络的手写体图片分类方法 |
CN110942004A (zh) * | 2019-11-20 | 2020-03-31 | 深圳追一科技有限公司 | 基于神经网络模型的手写识别方法、装置及电子设备 |
Non-Patent Citations (4)
Title |
---|
Mao Yaxuan 等."Handwritten numeral recognition with a quantum neural network model".《IEEE》.2018,全文. * |
肖婧 ; 谭阳红 ; .基于新特征提取法和量子神经网络的手写数字识别.电子测量技术.2009,(06),全文. * |
高在村 ; 龚声蓉 ; .基于量子门神经网络的车牌字符识别.计算机工程.2008,(23),全文. * |
黄一格 ; 张炎生 ; .基于BP神经网络的手写数字识别***.机电工程技术.2020,(01),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114187598A (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6504590B2 (ja) | 画像のセマンティックセグメンテーションのためのシステム及びコンピューター実施方法、並びに非一時的コンピューター可読媒体 | |
US11556797B2 (en) | Systems and methods for polygon object annotation and a method of training an object annotation system | |
US11657602B2 (en) | Font identification from imagery | |
CN111615702B (zh) | 一种从图像中提取结构化数据的方法、装置和设备 | |
US20190294921A1 (en) | Field identification in an image using artificial intelligence | |
CN108229287B (zh) | 图像识别方法和装置、电子设备和计算机存储介质 | |
US20240095563A1 (en) | Quantum convolution operator | |
JP2017220222A (ja) | データグラフを比較する方法、プログラム、及び装置 | |
CN114187598B (zh) | 手写数字识别方法、设备及计算机可读存储介质 | |
CN107886082B (zh) | 图像中数学公式检测方法、装置、计算机设备及存储介质 | |
CN113344826B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN111814716A (zh) | ***去除方法、计算机设备和可读存储介质 | |
JP2015036939A (ja) | 特徴抽出プログラム及び情報処理装置 | |
CN112053383A (zh) | 一种机器人实时定位的方法及装置 | |
US20220156490A1 (en) | Method and system for extracting information from a document image | |
CN111639523B (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
CN114120336B (zh) | 手写数字识别方法、***、设备及计算机可读存储介质 | |
US11972625B2 (en) | Character-based representation learning for table data extraction using artificial intelligence techniques | |
CN115760775A (zh) | 番茄病害检测方法、装置、设备及存储介质 | |
CN116049691A (zh) | 模型转换方法、装置、电子设备和存储介质 | |
US10268920B2 (en) | Detection of near rectangular cells | |
CN116612474B (zh) | 对象检测方法、装置、计算机设备及计算机可读存储介质 | |
CN113128496A (zh) | 一种从图像中提取结构化数据的方法、装置和设备 | |
US11837000B1 (en) | OCR using 3-dimensional interpolation | |
CN117710763B (zh) | 图像噪声识别模型训练方法、图像噪声识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 230088 6th floor, E2 building, phase II, innovation industrial park, 2800 innovation Avenue, Hefei high tech Zone, Hefei City, Anhui Province Applicant after: Benyuan Quantum Computing Technology (Hefei) Co.,Ltd. Address before: 230088 6th floor, E2 building, phase II, innovation industrial park, 2800 innovation Avenue, Hefei high tech Zone, Hefei City, Anhui Province Applicant before: ORIGIN QUANTUM COMPUTING COMPANY, LIMITED, HEFEI |
|
GR01 | Patent grant | ||
GR01 | Patent grant |