論文の概要: Uncertainty quantification in imaging and automatic horizon tracking: a
Bayesian deep-prior based approach
- arxiv url: http://arxiv.org/abs/2004.00227v3
- Date: Tue, 14 Apr 2020 22:42:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-17 19:38:11.768101
- Title: Uncertainty quantification in imaging and automatic horizon tracking: a
Bayesian deep-prior based approach
- Title（参考訳）: 画像における不確かさの定量化と自動地平線追跡--ベイズ深層優先法
- Authors: Ali Siahkoohi, Gabrio Rizzuti, Felix J. Herrmann
- Abstract要約: 不確実性定量化(英: Uncertainty Quantification、UQ)は、解の不均一性とデータノイズ感度の確率論的記述を扱う。
本稿では,階層モデルを決定するために,UQが地平線追跡にどのように貢献するかに焦点を当てる。
- 参考スコア（独自算出の注目度）: 0.5156484100374059
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In inverse problems, uncertainty quantification (UQ) deals with a
probabilistic description of the solution nonuniqueness and data noise
sensitivity. Setting seismic imaging into a Bayesian framework allows for a
principled way of studying uncertainty by solving for the model posterior
distribution. Imaging, however, typically constitutes only the first stage of a
sequential workflow, and UQ becomes even more relevant when applied to
subsequent tasks that are highly sensitive to the inversion outcome. In this
paper, we focus on how UQ trickles down to horizon tracking for the
determination of stratigraphic models and investigate its sensitivity with
respect to the imaging result. As such, the main contribution of this work
consists in a data-guided approach to horizon tracking uncertainty analysis.
This work is fundamentally based on a special reparameterization of
reflectivity, known as "deep prior". Feasible models are restricted to the
output of a convolutional neural network with a fixed input, while weights and
biases are Gaussian random variables. Given a deep prior model, the network
parameters are sampled from the posterior distribution via a Markov chain Monte
Carlo method, from which the conditional mean and point-wise standard deviation
of the inferred reflectivities are approximated. For each sample of the
posterior distribution, a reflectivity is generated, and the horizons are
tracked automatically. In this way, uncertainty on model parameters naturally
translates to horizon tracking. As part of the validation for the proposed
approach, we verified that the estimated confidence intervals for the horizon
tracking coincide with geologically complex regions, such as faults.
- Abstract（参考訳）: 逆問題では、不確実量化(UQ)は解の非特異性とデータノイズ感度の確率論的記述を扱う。
ベイズの枠組みに地震イメージングを設定すれば、モデル後方分布の解法によって不確実性を研究する原理的な方法が得られる。
しかし、イメージングは典型的にはシーケンシャルワークフローの第1段階に過ぎず、UQはインバージョン結果に非常に敏感な後続のタスクに適用するとさらに重要になる。
本稿では, 層序モデル決定のための地平線追跡へのUQの適用方法に着目し, 撮像結果に対する感度について検討する。
この研究の主な貢献は、地平線追跡の不確実性分析に対するデータ誘導アプローチである。
この研究は基本的には「深みの前」として知られる反射率の特別なパラメータ化に基づいている。
実現可能なモデルは、固定入力を持つ畳み込みニューラルネットワークの出力に制限されるが、重みとバイアスはガウス確率変数である。
深い事前モデルが与えられると、ネットワークパラメータはマルコフ連鎖モンテカルロ法によって後方分布からサンプリングされ、そこから推定された反射率の条件平均とポイントワイズ標準偏差が近似される。
後方分布の各試料に対して反射率を生成し、水平線を自動的に追跡する。
このように、モデルパラメータの不確かさは自然に地平線追跡に変換される。
提案手法の検証の一環として,地平線追跡における推定信頼区間と断層等の地質学的に複雑な領域との一致を確認した。
関連論文リスト
- Calibrating Neural Simulation-Based Inference with Differentiable
Coverage Probability [50.44439018155837]
ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。
古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。
既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
論文 参考訳（メタデータ） (2023-10-20T10:20:45Z) - Regularized Vector Quantization for Tokenized Image Synthesis [126.96880843754066]
画像の離散表現への量子化は、統合生成モデリングにおける根本的な問題である。
決定論的量子化は、厳しいコードブックの崩壊と推論段階の誤調整に悩まされ、一方、量子化は、コードブックの利用率の低下と再構築の目的に悩まされる。
本稿では、2つの視点から正規化を適用することにより、上記の問題を効果的に緩和できる正規化ベクトル量子化フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-11T15:20:54Z) - Posterior sampling with CNN-based, Plug-and-Play regularization with
applications to Post-Stack Seismic Inversion [0.0]
不確かさの定量化は、反転結果に関する貴重な情報を提供することができるため、逆問題に不可欠である。
本稿では,CNNに基づくデノイザを用いて,Kulback-Leibler分散損失を暗黙的に正規化することにより,後部推論を行うフレームワークを提案する。
我々はこのアルゴリズムをPlug-and-Play Stein Vari-SVGDと呼び、高解像度で信頼性の高いサンプルを作成する能力を示す。
論文 参考訳（メタデータ） (2022-12-30T08:20:49Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。
我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。
製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文 参考訳（メタデータ） (2022-06-23T14:16:30Z) - NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural
Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。
種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文 参考訳（メタデータ） (2022-02-07T12:30:45Z) - Deep Bayesian inference for seismic imaging with tasks [0.6445605125467573]
本稿では,ベイズ推定と深部ニューラルネットワークの手法を用いて,地震探査における不確実性を画像上で行うタスクの不確実性に変換することを提案する。
画像中のノイズによる不確かさを、自動的に追従された地平面の信頼区間に変換するための体系的手法を提案する。
論文 参考訳（メタデータ） (2021-10-10T15:25:44Z) - Bayesian Imaging With Data-Driven Priors Encoded by Neural Networks:
Theory, Methods, and Algorithms [2.266704469122763]
本稿では,事前知識がトレーニングデータとして利用可能である逆問題に対して,ベイズ推定を行う新しい手法を提案する。
容易に検証可能な条件下で,関連する後方モーメントの存在と適切性を確立する。
モデル精度解析により、データ駆動モデルによって報告されるベイズ確率は、頻繁な定義の下で著しく正確であることが示された。
論文 参考訳（メタデータ） (2021-03-18T11:34:08Z) - Parameterizing uncertainty by deep invertible networks, an application
to reservoir characterization [0.9176056742068814]
フルウェーブフォーム逆転に対する不確かさの定量化は、問題の条件の不確かさを確率論的に特徴づける。
本研究では,モデル空間へのガウス的ランダム入力を,実際の後部分布からサンプリングしたかのように「前方」に学習するディープネットワークを特徴とするアプローチを提案する。
論文 参考訳（メタデータ） (2020-04-16T18:37:56Z) - Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。
我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文 参考訳（メタデータ） (2020-03-04T12:27:36Z) - Bayesian Deep Learning and a Probabilistic Perspective of Generalization [56.69671152009899]
ディープアンサンブルはベイズ辺化を近似する有効なメカニズムであることを示す。
また,アトラクションの流域内での辺縁化により,予測分布をさらに改善する関連手法を提案する。
論文 参考訳（メタデータ） (2020-02-20T15:13:27Z) - A deep-learning based Bayesian approach to seismic imaging and
uncertainty quantification [0.4588028371034407]
不確実性は、不条件の逆問題を扱う際に必須である。
未知の知識を正確に符号化する事前分布を定式化することは、しばしば不可能である。
本稿では,無作為な畳み込みニューラルネットワークの機能形式を,前もって暗黙的な構造として利用することを提案する。
論文 参考訳（メタデータ） (2020-01-13T23:46:18Z)
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。