Perpustakaan Digital ITB

Penerapan komputasi quantum dalam visi komputer menawarkan solusi potensial terhadap keterbatasan skalabilitas dan efisiensi model deep learning konvensional. Tugas akhir ini mengusulkan pendekatan hybrid classical–quantum untuk deteksi objek dengan mengintegrasikan sirkuit quantum ke dalam arsitektur Faster R-CNN, khususnya pada komponen RoI head. Pendekatan dilakukan dengan mengganti kepala klasifikasi dan regresi menggunakan konsep Dressed Quantum Circuit (DQC) berbasis empat qubit, sementara komponen Region Proposal Network (RPN) tetap menggunakan jaringan orisinal Faster R-CNN. Enam variasi diuji, yakni Baseline Simple Quantum, Baseline Simple Classical, Correlation Measurement, Layered RY-CNOT (LRC), Pooling CRX-CRZ (PCC), dan Strongly Entangling Layer (SEL), guna mengevaluasi pengaruh desain sirkuit terhadap kinerja deteksi objek. Eksperimen dilakukan pada dataset PASCAL VOC 2007 dengan metrik evaluasi mean Average Precision (mAP). Hasil menunjukkan bahwa sirkuit SEL memberikan hasil terbaik di antara semua varian fully quantum, dengan mAP sebesar 0,2664 dan pengurangan parameter hingga 92,25% dibanding pendekatan klasik. Lebih lanjut, konfigurasi hibrida dengan quantum regressor (SEL) dan classifier klasik menghasilkan mAP 0,4770. Meskipun itu, eksperimen dengan simulasi komputasi quantum di backend klasik membutuhkan waktu pelatihan yang sangat tinggi, menunjukkan celah untuk implementasi yang lebih efisien. Temuan ini menegaskan bahwa integrasi sirkuit quantum dalam arsitektur deteksi objek memungkinkan efisiensi parameter yang signifikan dan membuka jalur eksplorasi baru di bidang komputasi quantum dan deteksi objek.