-
题名基于多尺度注意力UNet++的地震层位识别方法
- 1
-
-
作者
杨润湉
马强
王志宝
李菲
吴钧
王如意
-
机构
东北石油大学计算机与信息技术学院
黑龙江八一农垦大学信息与电气工程学院
中国石油大庆油田有限责任公司勘探开发研究院
中国石油集团工程技术研究院有限公司
-
出处
《石油物探》
北大核心
2025年第2期315-327,共13页
-
基金
黑龙江省揭榜挂帅科技攻关项目(DQYT-2022-JS-750)
中国石油天然气集团有限公司重大科技专项(2021ZZ10-05)
黑龙江八一农垦大学自然科学人才支持计划(ZRCQC202310)共同资助。
-
文摘
现有基于深度学习的层位识别方法通常在地震振幅信号特征方面进行处理,而地层之间上、下位置的空间关系、不同尺度特征未得到充分关注,导致普通深度学习网络在识别多个地震层位时容易产生层位识别结果连续性不强和错层等问题。为了充分利用层位之间的空间位置关系及多尺度特征,使用MultiResBlock多尺度残差模块、CBAM注意力与UNet++,提出了基于多尺度注意力UNet++的层位识别方法 (MR_CBAM_UNet++)。该方法利用MultiResBlock提取更多层位尺度特征,采用CBAM注意力模块以减少非目标层的振幅信号干扰,利用Focal Loss与Dice Loss组成的联合损失函数对网络进行训练。最后,加入唯一性约束对模型识别结果优化得到层位识别结果。在实际地震数据上的评价结果显示,MR_CBAM_UNet++模型相比于传统模型,对非层位信息的抑制能力和复杂地势下层位的识别能力均有很大提升。在测试集上,层位识别结果的准确率达到了86.19%,有效缓解了层位解释连续性不强和错层等问题,唯一性约束也使层位识别结果更贴近实际。
-
关键词
地震层位解释
UNet++
CBAM注意力模块
MultiResBlock多尺度残差模块
联合损失函数
-
Keywords
seismic horizon interpretation
UNet++
CBAM
MultiResBlock
joint loss function
-
分类号
P631
[天文地球—地质矿产勘探]
-
-
题名融合局部和全局特征的息肉分割模型
被引量：1
- 2
-
-
作者
张攀峰
杨贺
神显豪
程小辉
杜慧
-
机构
桂林理工大学计算机科学与工程学院
广西嵌入式技术与智能系统重点实验室
桂林理工大学物理与电子信息工程学院
桂林理工大学公共管理学院
-
出处
《电子测量技术》
北大核心
2024年第16期100-109,共10页
-
基金
国家自然科学基金(62362018,62362017,61862019)
广西重点研发计划(桂科AB23075116,桂科AB24010338)项目资助。
-
文摘
针对现有模型在息肉分割中存在复杂区域分割困难、边缘细节信息丢失、泛化能力不足等问题,提出一种融合局部和全局特征的息肉分割模型。以卷积神经网络和Transformer作为并行编码器,使模型可以兼顾多种尺度的局部细节特征和全局语义特征;在跳跃连接处构建注意力增强模块和多尺度残差模块,前者强化模型对重要信息的关注度,后者高效探索目标区域并准确预测其边界,同时促进不同层次特征之间的交互;在解码阶段采用基于残差的逐步上采样特征融合方式汇聚各阶段特征,进一步增强模型的感知能力,丰富息肉特征;最后使用高效预测头促进浅层特征的融合,输出分割结果。该模型在多个对比实验中表现最优,同次优模型相比,在Kvasir、CVC-ClinicDB数据集上,mDice平均提升了1.21%;mIoU平均提升了1.82%;在CVC-ColonDB、ETIS数据集上,mDice平均提升了2.67%,mIoU平均提升了2.83%。实验结果表明,相比于现有主流模型,该模型具有较优的分割精度和泛化性能。
-
关键词
息肉分割
TRANSFORMER
卷积神经网络
注意力增强模块
多尺度残差模块
特征融合
-
Keywords
polyp segmentation
Transformer
convolutional neural network
attention enhancement block
multi-scale residual block
feature fusion
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
TN911
[电子电信—通信与信息系统]
-
-
题名基于无人船的双分支解码轻量型分割网络研究
- 3
-
-
作者
刘丹
张建杰
-
机构
新疆大学机械工程学院
-
出处
《激光杂志》
CAS
北大核心
2024年第3期175-181,共7页
-
基金
新疆维吾尔自治区重点研发项目(No.2022B02038)。
-
文摘
为保证水面无人艇(USVs)进行水上任务时能够顺利航行,需要对河道信息进行精确的提取,因此,对河道语义分割的网络模型进行了研究。针对河道图像分割中类间不一致和类内不一致的问题,文中提出了分割网络DBDL-Net,网络中设计双分支解码结构和双重损失函数,分别把握语义信息和空间信息;同时在编码部分设计了多尺度残差的轻量模块,一方面减少参数,一方面以不同的比例捕捉特征信息。最后在USVIn-land数据集上对模型进行消融和对比实验,实验结果表明:DBDL-Net的精确度和平均交并比最终达到了93.619%和87.682%,与其他先进分割网络相比,DBDL-Net也具有更佳的综合表现。
-
关键词
水面无人艇
DBDL-Net
双分支解码结构
双重损失函数
多尺度残差的轻量模块
-
Keywords
unmanned surface vessels
DBDL-Net
dual branch decoding structure
double loss function
lightweight module with multiscale residuals
-
分类号
TN911
[电子电信—通信与信息系统]
-
