Graph-based quantum neural networks for satellite image classification

L’informatique quantique promet d’accélérer certaines tâches au-delà des capacités clas siques. En apprentissage automatique, les réseaux de neurones quantiques (QNN) offrent une nouvelle approche, bien que les dispositifs Noisy Intermediate-Scale Quantum (NISQ) actuels exigent une conception de circuits efficace et adaptée au matériel. Ce mémoire utilise des QNN pour la classification binaire d’images satellites multispec trales. Ces images capturent la réflectance sur plusieurs bandes spectrales, telles que le rouge, le vert, le bleu, l’infrarouge proche et l’infrarouge à ondes courtes, perme ttant d’identifier des types de couvertures terrestres selon leurs signatures spectrales. Chaque image est segmentée en huit régions spatiales, à partir desquelles sont extraites des statistiques descriptives et trois caractéristiques globales, puis encodées dans des circuits quantiques paramétrés. Pour respecter les limites des appareils NISQ, nous adoptons une stratégie d’encodage tenant compte des régions, inspirée de la géomatique. Cela permet de réduire la taille des entrées tout en conservant l’information spatiale et spectrale pertinente. La scalabilité est testée en variant le nombre de bandes par région (1, 3 ou 6), sélectionnées parmi les bandes spectrales de Sentinel-2 telles que le rouge, le vert, le bleu (RGB), l’infrarouge proche (NIR) et l’infrarouge à ondes courtes (SWIR), avec une perspective d’extension multispectrale. Les couches classiques sont exclues afin d’isoler les effets quantiques. L’évaluation porte sur la précision, la perte et le temps d’exécution, pour des paires d’étiquettes simples (SeaLake vs AnnualCrop) jusqu’à des cas plus complexes (Pasture vs HerbaceousVege tation). Le résultat est un pipeline QNN reproductible combinant la segmentation spatiale et l’encodage spectral. Il constitue une référence modulaire pour la classification d’images quantique et une base pour des applications plus complexes à l’avenir.

Name thesis:degree_name

M. Sc.

Level thesis:degree_level

Maîtrise

Discipline thesis:degree_discipline

Mathématiques

Grantor dc:publisher

Université de Sherbrooke

Year dc:date.issued

2025

Author dc:creator

• Pilarte Bilbao, Jon

Advisors dc:contributor.advisor

• Brüstle, Thomas
• Foucher, Samuel

• Quantum computing
• Neural networks
• Satellite images
• EuroSAT

Language dc:language.iso

en

DOI

https://doi.org/10.71892/11143/1070

OAI identifier oai:identifier

oai:usherbrooke.scholaris.ca:11143/23323