QFireNet：一种用于 Sentinel-2 影像野火分割的量子增强 U-Net
该论文提出 QFireNet，一种结合量子电路和 U-Net 的混合模型，用于从卫星图像中分割野火。在 Sen2Fire 数据集上，量子增强模型（QB-Net 和 QuFeX）在 F1 分数上优于经典 U-Net 基线，且数据混合技术显著提升了性能。
来自 arXiv 的一项新研究提出了一种量子增强的深度学习模型，用于从 Sentinel-2 卫星影像中分割野火区域。该模型名为 QFireNet，基于经典的 U-Net 图像分割架构，并在其瓶颈部分引入了变分量子电路，旨在更好地建模高维光谱特征空间。野火检测是一个具有挑战性的语义分割问题，因为存在类别不平衡、特征复杂和大气干扰等问题。研究者希望借助量子计算的表达能力来提升分割性能。
在实验中，团队测试了两种量子电路设计：QuFeX 和 QB-Net 变分量子电路。这些电路被注入到 U-Net 的瓶颈层，形成量子混合模型。使用 Sen2Fire 数据集进行对比评估，该数据集包含从 Sentinel-2 卫星获取的多光谱图像。结果表明，两种量子增强模型均优于经典的 U-Net 基线：QB-Net 达到了 31.18 的 F1 分数，QuFeX 达到了 30.79，而经典 U-Net 仅为 28.71。此外，他们还测试了经典的特征金字塔网络（FPN），其 F1 分数为 31.13，与量子模型相当。
一个关键的发现是数据混合技术的重要性。由于训练集和测试集来自不同地理区域，存在显著的域偏移。通过均匀混合输入数据，模型能够消除这种偏移，将经典 FPN 的 F1 分数大幅提升至 39.76，提高了约 8.6 个百分点。这一结果强调了数据预处理在泛化中的关键作用。研究还探索了其他经典改进，包括参数压缩和替代损失函数，但数据混合带来的提升最大。
为了验证模型的鲁棒性，团队在加利福尼亚燃烧区域（CaBuAr）数据集上进行了跨数据集迁移测试。结果表明，QFireNet 能够较好地泛化到新的地理区域，进一步证实了量子混合架构的潜力。总体而言，该研究为量子机器学习在遥感图像分割领域的应用提供了有力证据，未来工作将探索更复杂的量子电路和更大规模的数据集。