Ein Quantenalgorithmus zur Segmentierung eines sich bewegenden Ziels in Graustufen-Videos.

14. Oktober 2023 Funktion

Dieser Artikel wurde gemäß dem redaktionellen Prozess und den Richtlinien von Science X überprüft. Die Herausgeber haben die folgenden Merkmale hervorgehoben und dabei die Glaubwürdigkeit des Inhalts sichergestellt:

• Tatsachen überprüft
• Begutachtete Veröffentlichung
• Vertrauenswürdige Quelle
• Korrigiert

von Ingrid Fadelli, Tech Xplore

In den letzten Jahrzehnten wurden die Algorithmen für Computervision immer fortschrittlicher, was die Entwicklung anspruchsvoller Technologien zur Überwachung bestimmter Umgebungen, zur Erkennung interessanter Objekte in Videomaterial und zur Aufdeckung verdächtiger Aktivitäten in CCTV-Aufzeichnungen ermöglicht hat. Einige dieser Algorithmen sind speziell darauf ausgelegt, sich bewegende Objekte oder interessante Personen in einem Video zu erkennen und isolieren, eine Aufgabe, die als Bewegungsziel-Segmentierung bekannt ist.

In der Vergangenheit haben einige herkömmliche Algorithmen zur Bewegungsziel-Segmentierung vielversprechende Ergebnisse erzielt, die meisten von ihnen sind jedoch in Echtzeit (d.h. bei der Analyse von nicht vorab aufgenommenen, sondern zum aktuellen Zeitpunkt erfassten Videos) schlecht. Einige Forscherteams versuchen daher, dieses Problem mit alternativen Arten von Algorithmen zu lösen, wie z.B. sogenannten Quantenalgorithmen.

Forscher der Nanjing University of Information Science and Technology und der Southeast University in China haben kürzlich einen neuen Quantenalgorithmen für die Segmentierung sich bewegender Ziele in Graustufen-Videos entwickelt. Dieser Algorithmus, der in Advanced Quantum Technologies veröffentlicht wurde, zeigte sich in Aufgaben, die die Echtzeitanalyse von Videomaterial beinhalten, leistungsfähiger als klassische Ansätze.

"Unsere bisherige Arbeit konzentrierte sich auf Quantenbildsegmentierungsalgorithmen und wir haben mehrere Papers veröffentlicht, aber die beziehen sich alle auf statische Ziele", sagte Wenjie Liu, einer der Forscher, die die Studie durchführten, gegenüber Tech Xplore. "Wir haben uns gefragt, ob wir sich bewegende Ziele weiter segmentieren und die Anwendung von Bild auf Video erweitern könnten. Wir haben die verwandte Forschung zu Quantenvideos überprüft und festgestellt, dass die Forschung in diesem Bereich gering ist."

Der von Liu und seinen Kollegen entwickelte Algorithmus nutzt quantenmechanische Prozesse, um sich bewegende Ziele in Graustufen-Videos schnell zu segmentieren. Diese segmentierte Person oder dieses Objekt kann dann als Ziel erkannt und mit zusätzlichen Berechnungsmethoden überwacht werden.

"Zuerst speichern wir das klassische Graustufen-Video in einigen Qubits, lassen den Frame und die Pixelpositionen sich im Überlagerungszustand befinden und die Grauwerte der Pixel mit ihnen verknüpft werden, um das Quantenvideo Vk zu erhalten", sagte Liu. "Dann wird das Video zirkular verschoben, um zwei weitere neue Videos, Vk-1 und Vk+1, zu erhalten, bei denen die Positionen der Frames im Vergleich zum Originalvideo um eine Einheit nach vorne bzw. zurück verschoben sind. Diese drei Videos teilen sich positionale Qubits. Die beiden neu erhaltenen Videos werden dann mit dem Originalvideo absolutwertvoneinander abgezogen, d.h. Bk-1=|Vk-Vk-1|, Bk+1=|Vk-Vk+1|. Dann werden Bk-1 und Bk+1 binarisiert, um bk-1 und bk+1 zu erhalten. bk-1 und bk+1 werden addiert, um das Endergebnis zu bekommen, und dann werden Messungen durchgeführt, um das klassische Video wiederherzustellen."

Um es ihrem Algorithmus zu ermöglichen, zwischen Schwellen- und Grauwerten zu unterscheiden, haben Liu und seine Kollegen einen sogenannten Quantenkomparator verwendet, der weniger Rechenleistung benötigt. Darüber hinaus hat das Team verschiedene Quantenzirkuiteinheiten entwickelt, die weniger Quantenbits und Quantengatter benötigen.

"Der vollständige Quantenzirkuit wurde auf Basis dieser Einheiten erstellt", sagte Liu. "Im Vergleich zum klassischen Gegenstück haben wir eine exponentielle Beschleunigung erreicht und die Komplexität des Algorithmus ist gegenüber den vorhandenen Quantenalgorithmen ebenfalls überlegen. Die Pixelpositionen in einem Bild werden in quantenmechanischen Bits im Überlagerungszustand gespeichert und dann werden die Quantenbits mit den Farbwertinformationen der Pixel mit den Positionsinformations-Quantenbits verknüpft, so dass ein Bild oder ein Video im Überlagerungszustand ist. Die Rechenoperation an einem Pixel im Bild (oder Video) im Überlagerungszustand entspricht der Rechenoperation am gesamten Bild (oder dem gesamten Video), so dass die Berechnungskomplexität exponentiell reduziert werden kann."

Liu und seine Kollegen haben ihren Algorithmus in einer Reihe von Tests evaluiert und seine Leistung mit der eines klassischen Algorithmus für die Bewegungsziel-Segmentierung verglichen. Ihr Algorithmus erwies sich als deutlich schneller als klassische Modelle, während er die gleiche Genauigkeit beibehielt.

'The complexity of the algorithm is exponentially decreased compared to its classical counterpart,' Liu said. 'In addition, we designed a quantum comparator with fewer quantum gates and qubits, which can be used in any task that requires comparison of values and can effectively reduce the complexity of the algorithm.'

In the future, the algorithm created by this team of researchers could be developed further and tested on more real-world footage. Concurrently, this work could inspire the development of new highly performing quantum algorithms for other advanced computer vision applications.

'Currently, our research focuses on how to process images more simply in the spatial domain with quantum circuits, and the effect can be further improved,' Liu added. 'In the future, to get better processing results, we will expand our research to processing images with quantum neural networks. In addition, the existing quantum technology cannot realize the use of large-scale qubits in the short term, so the hybrid classical-quantum neural network is also a better choice.'

© 2023 Science X Network