Zespół badaczy z arXiv opublikował QFireNet, hybrydowy model łączący kwantowe obwody z siecią U-Net do wykrywania pożarów na obrazach Sentinel-2. Problem detekcji pożarów z satelitów stanowi wyzwanie ze względu na nierówne rozkłady klas, złożoność cech i zakłócenia atmosferyczne. Naukowcy wstrzyknęli wariantowe obwody kwantowe w części bottleneck U-Net, testując ansatze QB-Net i QuFeX.
Wyniki pokazały, że QB-Net uzyskał wynik F1 31,18 procent, a QuFeX 30,79 procent, oba przewyższając klasyczny U-Net z wynikiem 28,71 procent. Klasyczna Feature Pyramid Network osiągnęła porównywalny wynik 31,13 procent. Kluczowe odkrycie dotyczyło znaczenia mieszania danych z różnych źródeł - ta technika zmniejszyła różnice geograficzne między zbiorami treningowymi i testowymi, poprawiając wynik FPN do 39,76 procent. To sugeruje, że preprocessing może być ważniejszy niż architektura modelu.
Badacze walidowali podejście na niezależnym zbiorze CaBuAr zawierającym spalane tereny w Kalifornii. Praca pokazuje obiecujące potencjały hybrydowych podejść kwantowo-klasycznych dla problemów wizji komputerowej, choć praktyczne korzyści kwantowych komponentów względem ulepszonych metod klasycznych pozostają dyskusyjne.