論文の概要: SeismiQB -- a novel framework for deep learning with seismic data

• arxiv url: http://arxiv.org/abs/2001.06416v1
• Date: Fri, 10 Jan 2020 10:45:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-12 22:53:55.599313
• Title: SeismiQB -- a novel framework for deep learning with seismic data
• Title（参考訳）: seismiqb - 地震データを用いた深層学習のための新しい枠組み
• Authors: Alexander Koryagin, Roman Khudorozhkov, Sergey Tsimfer, Darima Mylzenova
• Abstract要約: ニューラルネットワークの開発に重点を置いた、オープンソースのPythonフレームワークを開発しました。 複数のデータフォーマットで地震波キューブを高速にロードする便利なツールを提供する。 また、望まれる形状の作物を生産し、様々な変換で増強する。
• 参考スコア（独自算出の注目度）: 62.997667081978825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, Deep Neural Networks were successfully adopted in numerous domains to solve various image-related tasks, ranging from simple classification to fine borders annotation. Naturally, many researches proposed to use it to solve geological problems. Unfortunately, many of the seismic processing tools were developed years before the era of machine learning, including the most popular SEG-Y data format for storing seismic cubes. Its slow loading speed heavily hampers experimentation speed, which is essential for getting acceptable results. Worse yet, there is no widely-used format for storing surfaces inside the volume (for example, seismic horizons). To address these problems, we've developed an open-sourced Python framework with emphasis on working with neural networks, that provides convenient tools for (i) fast loading seismic cubes in multiple data formats and converting between them, (ii) generating crops of desired shape and augmenting them with various transformations, and (iii) pairing cube data with labeled horizons or other types of geobodies.
• Abstract（参考訳）: 近年、深層ニューラルネットワークは、単純な分類から細かい境界アノテーションまで、様々な画像関連タスクを解決するために多くの領域でうまく採用されている。 当然、多くの研究が地質問題の解決にそれを使うことを提案した。 残念なことに、多くの耐震処理ツールは機械学習の時代以前に開発され、地震キューブを格納するための最も一般的なSEG-Yデータフォーマットを含む。 その低負荷速度は実験の速度を著しく阻害し、許容される結果を得るのに不可欠である。 さらに悪いことに、体積(例えば地震地平線)の中に表面を保存するために広く使われる形式は存在しない。 これらの問題に対処するため、ニューラルネットワークの操作を重視したオープンソースのPythonフレームワークを開発しました。 (i)複数のデータフォーマットで高速に地震波キューブをロードし、それらを変換する。 (二 所望の形状の作物を生産し、様々な変遷により増補すること。) (iii)立方体データをラベル付き地平線その他のジオボディーと組み合わせること。

関連論文リスト

• A convolutional neural network approach to deblending seismic data [1.5488464287814563]
  本稿では,高速かつ効率的な地震探査のためのデータ駆動深層学習手法を提案する。 地震データの特徴に応じて畳み込みニューラルネットワーク(CNN)を設計する。 ネットワークのトレーニングと検証を行った後、ほぼリアルタイムで地震波のたわみを行うことができる。
  論文  参考訳（メタデータ） (2024-09-12T10:54:35Z)
• Data Augmentations in Deep Weight Spaces [89.45272760013928]
  そこで本研究では,Mixup法に基づく新しい拡張手法を提案する。 既存のベンチマークと新しいベンチマークでこれらのテクニックのパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2023-11-15T10:43:13Z)
• Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
  本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。 我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
  論文  参考訳（メタデータ） (2022-09-28T18:51:59Z)
• Multivariate Time Series Regression with Graph Neural Networks [0.6124773188525718]
  近年のディープラーニングのグラフへの適用は,様々なグラフ関連タスクにおいて有望な可能性を示している。 しかし,これらの手法は時系列関連タスクにはあまり適用されていない。 本研究では,これらの長いシーケンスを多変量時系列回帰タスクで処理できるアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-01-03T16:11:46Z)
• Leveraging Domain Adaptation for Low-Resource Geospatial Machine Learning [0.0]
  多くのラベル付き地理空間データセットは特定の地域、楽器、極端な気象イベントに特化している。 提案した複数の地理空間ベンチマークに対する最新のドメイン適応の適用について検討する。
  論文  参考訳（メタデータ） (2021-07-11T06:47:20Z)
• Context Decoupling Augmentation for Weakly Supervised Semantic Segmentation [53.49821324597837]
  微調整されたセマンティックセグメンテーションは、近年深く研究されている困難な問題です。 本稿では、オブジェクトが現れる固有のコンテキストを変更する Context Decoupling Augmentation (CDA) メソッドを紹介します。 提案手法の有効性を検証するため, PASCAL VOC 2012データセットにいくつかの代替ネットワークアーキテクチャを用いた広範な実験を行い, CDAが様々なWSSS手法を新たな最先端技術に拡張できることを実証した。
  論文  参考訳（メタデータ） (2021-03-02T15:05:09Z)
• Improving Deep Stereo Network Generalization with Geometric Priors [93.09496073476275]
  地上の真実が密集した多様な現実世界のシーンの大規模なデータセットを得ることは困難である。 多くのアルゴリズムは、似たようなシーンや合成データセットの小さな実世界のデータセットに依存している。 本稿では,シーン幾何学の事前知識をエンド・ツー・エンドのステレオネットワークに統合し,ネットワークの一般化を支援することを提案する。
  論文  参考訳（メタデータ） (2020-08-25T15:24:02Z)
• Seismic horizon detection with neural networks [62.997667081978825]
  本稿では,複数の実地震立方体上での地平線検出にバイナリセグメンテーションを適用し,予測モデルのキューブ間一般化に着目したオープンソースの研究である。 本研究の主な貢献は,複数実地震立方体における地平線検出にバイナリセグメンテーションを適用し,予測モデルのキューブ間一般化に着目したオープンソースの研究である。
  論文  参考訳（メタデータ） (2020-01-10T11:30:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。