Un algoritmo quantistico per la segmentazione di un bersaglio in movimento nei video in scala di grigi.

14 ottobre 2023

caratteristica

Questo articolo è stato sottoposto a revisione secondo il processo editoriale e le politiche di Science X. Gli editor hanno evidenziato i seguenti attributi garantendo la credibilità dei contenuti:

• fatto verificato
• pubblicazione sottoposta a peer review
• fonte affidabile
• corretto nella revisione

di Ingrid Fadelli, Tech Xplore

Gli algoritmi di visione artificiale sono diventati sempre più avanzati negli ultimi decenni, consentendo lo sviluppo di tecnologie sofisticate per monitorare ambienti specifici, rilevare oggetti di interesse nei filmati video e scoprire attività sospette nelle registrazioni delle telecamere di sorveglianza. Alcuni di questi algoritmi sono appositamente progettati per rilevare e isolare oggetti o persone in movimento di interesse in un video, compito noto come segmentazione di un bersaglio in movimento.

Mentre alcuni algoritmi convenzionali per la segmentazione di un bersaglio in movimento hanno ottenuto risultati promettenti, la maggior parte di essi si comporta male in tempo reale (cioè, nell'analisi di video che non sono preregistrati, ma vengono acquisiti nell'istante presente). Per affrontare questo problema, alcune squadre di ricerca hanno cercato di utilizzare tipi alternativi di algoritmi, come gli algoritmi quantistici.

Ricercatori dell'Università delle Scienze e della Tecnologia delle Informazioni di Nanjing e dell'Università del Sud-Est in Cina hanno recentemente sviluppato un nuovo algoritmo quantistico per la segmentazione di bersagli in movimento in video in scala di grigi. Questo algoritmo, pubblicato in "Advanced Quantum Technologies", ha superato gli approcci classici in compiti che richiedono l'analisi di filmati video in tempo reale.

"I nostri lavori precedenti sono stati dedicati agli algoritmi di segmentazione di immagini quantistiche e abbiamo pubblicato diversi articoli, ma tutti riguardano bersagli statici", ha detto Wenjie Liu, uno dei ricercatori che ha condotto lo studio, a Tech Xplore. "Ci siamo chiesti se potevamo ulteriormente segmentare bersagli in movimento ed estendere l'applicazione dalle immagini ai video. Abbiamo verificato le ricerche correlate sui video quantistici e abbiamo constatato che la ricerca in questo campo è scarsa".

L'algoritmo sviluppato da Liu e dai suoi colleghi utilizza processi meccanici quantistici per segmentare rapidamente bersagli in movimento in video in scala di grigi. Questa persona o oggetto segmentato può poi essere riconosciuto come bersaglio e monitorato utilizzando metodi computazionali aggiuntivi.

"Prima, archiviamo il video in scala di grigi classico in alcuni qubit, facciamo in modo che i fotogrammi e le posizioni dei pixel siano in stato di sovrapposizione e facciamo in modo che i valori in scala di grigi dei pixel siano intrecciati con essi per ottenere il video quantistico Vk", ha detto Liu. "Poi il video viene spostato ciclicamente per ottenere altri due nuovi video, Vk-1 e Vk+1, in cui le posizioni dei fotogrammi sono spostate in avanti e indietro di una unità rispetto al video originale. Questi tre video condividono i qubit di posizione. Ai due video appena ottenuti viene quindi permesso di fare l'operazione di sottrazione del valore assoluto rispetto al video originale, cioè Bk-1=|Vk-Vk-1|,Bk+1=|Vk-Vk+1|. Successivamente, Bk-1 e Bk+1 vengono binarizzati per ottenere bk-1 e bk+1. bk-1 e bk+1 vengono sommati per ottenere il risultato finale, e poi vengono effettuate misurazioni per ripristinare il video classico".

Per consentire al loro algoritmo di distinguere tra soglie e valori in scala di grigi, Liu e i suoi colleghi hanno incorporato un cosiddetto comparatore quantistico che richiede meno potenza di calcolo. Inoltre, il team ha progettato diverse unità di circuiti quantistici utilizzando meno qubit quantistici e porte quantistiche.

"Il circuito quantistico completo è stato assemblato sulla base di queste unità", ha detto Liu. "Rispetto al controparte classica, abbiamo ottenuto un aumento esponenziale della velocità e la complessità dell'algoritmo è anche superiore agli algoritmi quantistici esistenti. Le posizioni dei pixel in un'immagine sono memorizzate in qubit quantistici nello stato di sovrapposizione, e quindi i qubit quantistici di informazioni sul valore in scala di grigi si intrecciano con i qubit di informazioni sulla posizione in modo che un'immagine o un video sia in stato di sovrapposizione. L'operazione computazionale su un pixel nell'immagine (o video) in stato di sovrapposizione è equivalente all'operazione computazionale sull'intera immagine (o sull'intero video), in modo che la complessità computazionale possa essere ridotta in modo esponenziale".

Liu e i suoi colleghi hanno valutato il loro algoritmo in una serie di test, confrontandone le prestazioni con quelle di un algoritmo classico per la segmentazione di un bersaglio in movimento. Il loro algoritmo si è rivelato significativamente più veloce rispetto ai modelli classici, pur mantenendo la stessa precisione.

'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