elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Coreset of Hyperspectral Images on Small Quantum Computer

Otgonbaatar, Soronzonbold und Datcu, Mihai und Demir, Begüm (2022) Coreset of Hyperspectral Images on Small Quantum Computer. In: International Geoscience and Remote Sensing Symposium (IGARSS), Seiten 4923-4926. IEEE. IGARSS 2022, 2022-07-17 - 2022-07-22, Kuala Lumpur, Malaysia. doi: 10.1109/IGARSS46834.2022.9884273.

[img] PDF
214kB

Offizielle URL: https://ieeexplore.ieee.org/document/9884273

Kurzfassung

Machine Learning (ML) techniques are employed to analyze and process big Remote Sensing (RS) data, and one well-known ML technique is a Support Vector Machine (SVM). An SVM is a quadratic programming (QP) problem, and a D-Wave quantum annealer (D-Wave QA) promises to solve this QP problem more efficiently than a conventional computer. However, the D-Wave QA cannot solve directly the SVM due to its very few input qubits. Hence, we use a coreset ("core of a dataset") of given EO data for training an SVM on this small D-Wave QA. The coreset is a small, representative weighted subset of an original dataset, and any training models generate competitive classes by using the coreset in contrast to by using its original dataset. We measured the closeness between an original dataset and its coreset by employing a Kullback-Leibler (KL) divergence measure. Moreover, we trained the SVM on the coreset data by using both a D-Wave QA and a conventional method. We conclude that the coreset characterizes the original dataset with very small KL divergence measure. In addition, we present our KL divergence results for demonstrating the closeness between our original data and its coreset. As practical RS data, we use Hyperspectral Image (HSI) of Indian Pine, USA

elib-URL des Eintrags:https://elib.dlr.de/186150/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:Coreset of Hyperspectral Images on Small Quantum Computer
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Otgonbaatar, SoronzonboldSoronzonbold.Otgonbaatar (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datcu, MihaiRemote sensing technology institute (IMF)NICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Demir, BegümTechnical University of BerlinNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:Juli 2022
Erschienen in:International Geoscience and Remote Sensing Symposium (IGARSS)
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Nein
DOI:10.1109/IGARSS46834.2022.9884273
Seitenbereich:Seiten 4923-4926
Verlag:IEEE
Name der Reihe:IEEE
Status:veröffentlicht
Stichwörter:quantum computing, small quantum computers, quantum machine learning, support vector machine, coreset, remote sensing, earth observation, hyperspectral images
Veranstaltungstitel:IGARSS 2022
Veranstaltungsort:Kuala Lumpur, Malaysia
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:17 Juli 2022
Veranstaltungsende:22 Juli 2022
Veranstalter :IEEE
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Künstliche Intelligenz, R - Optische Fernerkundung
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > EO Data Science
Hinterlegt von: Otgonbaatar, Soronzonbold
Hinterlegt am:21 Apr 2022 11:27
Letzte Änderung:24 Apr 2024 20:47

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.