Квантовый U-Net обошел классику в обнаружении пожаров со спутника
Группа исследователей представила квантово-гибридную версию нейросети U-Net, предназначенную для сегментации лесных пожаров на спутниковых снимках Sentinel-2. В работе использовались датасеты Sen2Fire и California Burned Areas (CaBuAr).
Классическая U-Net давно применяется в задачах семантической сегментации изображений, но сталкивается с трудностями при работе с высокоразмерными спектральными данными и несбалансированными классами. Авторы предложили встроить в узкое место сети вариационные квантовые схемы — анзацы QuFeX и QB-Net.
В ходе экспериментов обе квантовые модели показали улучшение по сравнению с базовым U-Net: QB-Net достиг F1-меры 31.18, QuFeX — 30.79, тогда как классический U-Net остановился на 28.71. Классическая Feature Pyramid Network (FPN) показала сравнимый результат — 31.13.
Ключевым открытием стало то, что перемешивание данных (data mixing) устранило значительный сдвиг доменов между обучающей и тестовой выборками, разделёнными географически. После этой операции FPN поднял F1 до 39.76.
Авторы провели кросс-датасетное тестирование на датасете CaBuAr, чтобы подтвердить робастность и обобщающую способность модели. Результаты показали, что квантовые подходы могут давать преимущество в задачах сегментации пожаров, хотя для окончательных выводов требуются дополнительные эксперименты.
Работа опубликована на arXiv под идентификатором 2607.14160. Исследование продолжает линию интеграции квантовых вычислений в задачи компьютерного зрения, особенно актуальные для мониторинга природных катастроф.
