地震相识别是地震数据解释的重要环节之一,深度学习技术可有效提高地震相自动识别的效率和准确性。然而,深度学习方法依赖大量的地震标注数据,在实际应用中标注成本高、难度大,且基础的测井数据无法直接使用。为此,提出了一种基于超稀...地震相识别是地震数据解释的重要环节之一,深度学习技术可有效提高地震相自动识别的效率和准确性。然而,深度学习方法依赖大量的地震标注数据,在实际应用中标注成本高、难度大,且基础的测井数据无法直接使用。为此,提出了一种基于超稀疏测井标注的半监督地震相自动识别方法。首先,在HRNet网络的基础上,构建一种使用一维测井标签进行监督的地震相识别网络模型。其次,针对地震数据的纵向特征,构建稀疏标签采样模块(SLSM)并围绕测井标签采样,不在纵向上对地震数据进行切割,保留其纵向深度特征,为后续的半监督学习任务奠定坚实的基础;最后,针对地震数据的横向相关性,提出区域生长训练策略(RGTS),通过迭代生长的方式将测井标签信息扩展到整个地震体。真实数据实验结果表明,所提出的网络模型仅使用占总数据量不足0.5%的32条一维测井标签,即可实现MIoU(Mean Intersection over Union)为79.64%的地震相识别结果。该方法可为测井资料少且局部分布的工区开展地震相识别研究提供参考,具有良好的应用前景。展开更多
多编码器和单解码器(multi encoder and single decoder,MESD)架构在变化检测中取得了成功,但在编码过程中平衡全局和局部特征方面面临挑战,导致特征表示不足。此外,这些方法通常依赖于单一解码器来解释来自多个编码器的信息,这可能无...多编码器和单解码器(multi encoder and single decoder,MESD)架构在变化检测中取得了成功,但在编码过程中平衡全局和局部特征方面面临挑战,导致特征表示不足。此外,这些方法通常依赖于单一解码器来解释来自多个编码器的信息,这可能无法充分利用所提供的丰富多样的信息,从而影响最终变化检测结果的准确性和精度。针对这些问题,提出一种交互式多编码器和多解码器网络,该网络利用交互式编码器来提取局部和全局特征,交互式编码器由卷积神经网络(convolutional neural network,CNN)和Transformer组成,并通过特征通信模块增强它们的交互。全局和局部差异解码器分别处理来自双时相图像的局部和全局特征,专注于特定类型的差异特征。最后,设计了空间-通道差异融合模块在空间和通道维度上自适应地融合局部和全局解码器获取的差异特征,以增强相关变化。与现有基于MESD网络的先进方法(ChangeForm)相比,该文所提算法在LEVIR-CD、WHU-CD和DESIF-CD数据集上分别获得了1.14%、5.68%和6.5%的F1分数提升。展开更多
文摘地震相识别是地震数据解释的重要环节之一,深度学习技术可有效提高地震相自动识别的效率和准确性。然而,深度学习方法依赖大量的地震标注数据,在实际应用中标注成本高、难度大,且基础的测井数据无法直接使用。为此,提出了一种基于超稀疏测井标注的半监督地震相自动识别方法。首先,在HRNet网络的基础上,构建一种使用一维测井标签进行监督的地震相识别网络模型。其次,针对地震数据的纵向特征,构建稀疏标签采样模块(SLSM)并围绕测井标签采样,不在纵向上对地震数据进行切割,保留其纵向深度特征,为后续的半监督学习任务奠定坚实的基础;最后,针对地震数据的横向相关性,提出区域生长训练策略(RGTS),通过迭代生长的方式将测井标签信息扩展到整个地震体。真实数据实验结果表明,所提出的网络模型仅使用占总数据量不足0.5%的32条一维测井标签,即可实现MIoU(Mean Intersection over Union)为79.64%的地震相识别结果。该方法可为测井资料少且局部分布的工区开展地震相识别研究提供参考,具有良好的应用前景。
文摘多编码器和单解码器(multi encoder and single decoder,MESD)架构在变化检测中取得了成功,但在编码过程中平衡全局和局部特征方面面临挑战,导致特征表示不足。此外,这些方法通常依赖于单一解码器来解释来自多个编码器的信息,这可能无法充分利用所提供的丰富多样的信息,从而影响最终变化检测结果的准确性和精度。针对这些问题,提出一种交互式多编码器和多解码器网络,该网络利用交互式编码器来提取局部和全局特征,交互式编码器由卷积神经网络(convolutional neural network,CNN)和Transformer组成,并通过特征通信模块增强它们的交互。全局和局部差异解码器分别处理来自双时相图像的局部和全局特征,专注于特定类型的差异特征。最后,设计了空间-通道差异融合模块在空间和通道维度上自适应地融合局部和全局解码器获取的差异特征,以增强相关变化。与现有基于MESD网络的先进方法(ChangeForm)相比,该文所提算法在LEVIR-CD、WHU-CD和DESIF-CD数据集上分别获得了1.14%、5.68%和6.5%的F1分数提升。
