DAP Atlas

DAP Atlas数据集是由卡尔斯鲁厄理工学院人类学与机器人学研究所开发的一个全面的全身CT图像数据集。该数据集包含533个CT图像，每个图像有142个体素级标签，覆盖了从身体组成到各种血管的广泛解剖信息。数据集的创建过程涉及使用nnU-Net基础的伪标签生成和解剖学指导的伪标签细化，不依赖于手动标注。DAP Atlas数据集旨在解决当前医学数据模型主要专注于部分标注数据集的问题，通过提供一个全面的解剖视图，支持临床相关的下游任务，如身体成分分析、手术规划或癌症治疗监测。The DAP Atlas is a comprehensive whole-body CT image dataset developed by the Institute of Anthropology and Robotics, Karlsruhe Institute of Technology (KIT). It contains 533 CT images, each paired with 142 voxel-level labels, covering a wide range of anatomical information ranging from body composition to various blood vessels. The dataset development process employs pseudo-label generation based on nnU-Net and anatomy-guided pseudo-label refinement, without relying on manual annotations. The DAP Atlas aims to address the issue that current medical data models primarily focus on partially annotated datasets, by providing a comprehensive anatomical view to support clinically relevant downstream tasks such as body composition analysis, surgical planning, or cancer treatment monitoring.

搜集汇总

数据集介绍

构建方式

该数据集的构建基于三个基准数据集，涵盖了139个Max-Cut和QUBO问题的实例，节点规模从100到10,000不等。对于节点数小于251的实例，全局最优解通过精确求解器BiqBin和MADAM计算得出；对于更大规模的实例，则采用了文献中已知的最佳解。这些数据集的构建旨在为量子、经典和混合求解器提供一个全面的基准测试平台，以便评估其在解决NP难问题时的性能。

特点

该数据集的特点在于其广泛的问题规模和多样化的实例类型，涵盖了从小规模到大规模的多种问题实例。此外，数据集提供了已知的全局最优解或最佳已知解，使得求解器的表现可以与理论最优进行直接比较。数据集的公开性也为其在学术研究和实际应用中的广泛使用提供了便利。

使用方法

该数据集可用于评估量子、经典和混合求解器在Max-Cut和QUBO问题上的性能。用户可以通过比较不同求解器在相同实例上的解的质量和计算时间，来选择最适合特定应用场景的求解器。数据集的格式设计便于直接用于进一步的基准测试研究，用户可以通过GitHub仓库获取数据集并进行实验分析。

背景与挑战

背景概述

Max-Cut和QUBO问题基准数据集是由Jaka Vodeb、Vid Eržen、Timotej Hrga和Janez Povh等人创建的，旨在评估量子、经典和混合求解器在处理NP难问题（如Max-Cut和QUBO问题）时的性能。该数据集包含139个实例，节点数量从100到10,000不等，主要用于比较不同求解器在解决这些问题时的计算效率和解的质量。数据集的创建时间为2024年，主要研究人员来自斯洛文尼亚的Jožef Stefan研究所、卢布尔雅那大学、奥地利的克拉根福大学以及斯洛文尼亚的Rudolfovo科技中心。该数据集的发布对量子计算和组合优化领域的研究具有重要意义，尤其是在量子优势和经典算法的对比方面。

当前挑战

该数据集面临的挑战主要集中在两个方面：首先，Max-Cut和QUBO问题作为NP难问题，其全局最优解的求解具有极高的计算复杂性，尤其是在处理大规模实例时，传统算法难以在合理时间内找到最优解。其次，数据集的构建过程中，研究人员需要处理不同求解器在计算时间和解质量之间的权衡，尤其是在量子求解器（如D-Wave的量子退火处理器）与经典算法（如模拟退火算法）之间的性能对比。此外，量子求解器在处理大规模问题时存在硬件限制，而经典算法在某些情况下虽然能提供接近最优的解，但计算时间较长。因此，如何在保证解质量的前提下提高计算效率，是该数据集面临的主要挑战。

常用场景

经典使用场景

Max-Cut和QUBO问题基准数据集主要用于评估量子、经典和混合求解器在处理NP难问题时的性能。该数据集包含139个实例，节点规模从100到10,000不等，适用于比较不同求解器在求解Max-Cut和QUBO问题时的解的质量和计算效率。经典场景中，数据集常用于测试量子退火处理器（如D-Wave QPU）、混合求解器（如D-Wave Hybrid）以及模拟退火算法（如SA1和SA2）在不同规模问题上的表现，特别是它们在接近全局最优解时的表现。

解决学术问题

该数据集解决了在NP难问题中，量子计算与经典计算方法的性能对比问题。通过提供大规模的Max-Cut和QUBO问题实例，研究者能够评估量子退火、混合求解器和经典模拟退火算法在求解复杂优化问题时的效率和准确性。这对于理解量子计算在实际应用中的潜力具有重要意义，尤其是在量子优势尚未完全实现的背景下，该数据集为量子计算与经典算法的对比提供了宝贵的实验数据。

衍生相关工作

基于Max-Cut和QUBO问题基准数据集，衍生了许多相关的经典工作。例如，D-Wave的量子退火处理器在处理大规模优化问题时的性能评估，以及Toshiba的模拟分支机（SBM）在Max-Cut问题上的表现研究。此外，模拟退火算法在Max-Cut问题上的改进版本（如SA1和SA2）也通过该数据集进行了广泛的测试和优化。这些工作不仅推动了量子计算在组合优化中的应用，还为经典算法的改进提供了新的思路。