LumoraQ：量子机器学习在卫星图像分析中的探索

核心信息

• 原作者/维护者: BlackCherry
• 来源平台: GitHub
• 发布时间: 2026年6月4日

项目目标

探索量子-经典混合机器学习方法在地球观测数据上的应用，使用EuroSAT卫星图像数据集验证量子计算在遥感分类任务中的潜力。当前阶段重点建立经典CNN基线，为后续量子模型提供对比基准

EuroSAT数据集

遥感领域广泛使用的基准数据集：

• 27,000张卫星图像
• 10种地物类别：AnnualCrop、Forest、HerbaceousVegetation、Highway、Industrial、Pasture、PermanentCrop、Residential、River、SeaLake
• 图像统一调整为64×64像素并归一化

初始CNN架构

• 卷积层1：3→16滤波器（ReLU+最大池化）
• 卷积层2：16→32滤波器（ReLU+最大池化）
• 全连接层1：8192→128
• 全连接层2：128→10
• 损失函数：交叉熵；优化器：Adam 结果：最终准确率80.28%

StrongCNN升级

改进：批归一化、加深卷积架构、Dropout正则化 数据增强：随机水平翻转、旋转、颜色抖动 结果：准确率提升至88.83%

训练观察

• 损失从1.26稳步下降至0.0791，收敛平滑
• 无不稳定或发散迹象
• CNN有效学习卫星图像空间模式

基准意义

StrongCNN的88.83%准确率为量子模型设定了性能门槛

下一阶段路线图

• 安装PennyLane量子框架
• 实现变分量子分类器（VQC）
• 与StrongCNN基准对比

设计思路

渐进式方法确保经典部分最优后引入量子组件，实现公平比较

核心价值

• 为量子机器学习在遥感领域提供可复现基准
• 展示从经典基线到量子增强的渐进式研究路径
• 为评估量子优势提供数据支撑

实用参考

为量子机器学习实用化研究者提供清晰模板