論文の概要: Seismic Facies Analysis: A Deep Domain Adaptation Approach
- arxiv url: http://arxiv.org/abs/2011.10510v3
- Date: Wed, 27 Oct 2021 04:25:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 05:04:41.580891
- Title: Seismic Facies Analysis: A Deep Domain Adaptation Approach
- Title(参考訳): 地震波の位相解析:深部領域適応法
- Authors: M Quamer Nasim, Tannistha Maiti, Ayush Srivastava, Tarry Singh, and
Jie Mei
- Abstract要約: ディープニューラルネットワーク(DNN)は、大量のラベル付き入力データから正確に学習することができるが、ラベル付きデータが不足している場合には、その処理に失敗することが多い。
本研究では,オランダ沖のF3ブロック3Dデータセット(ソースドメイン,SD)とカナダからのペノブスコット3Dサーベイデータ(ターゲットドメイン,TD)の地震画像について実験を行った。
EarthAdaptNet(EAN)と呼ばれるディープニューラルネットワークアーキテクチャは、少数のクラスがデータ不足を抱えている場合に、地震像を意味的にセグメンテーションするために提案されている。
- 参考スコア(独自算出の注目度): 6.494634150546026
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep neural networks (DNNs) can learn accurately from large quantities of
labeled input data, but often fail to do so when labelled data are scarce. DNNs
sometimes fail to generalize ontest data sampled from different input
distributions. Unsupervised Deep Domain Adaptation (DDA)techniques have been
proven useful when no labels are available, and when distribution shifts are
observed in the target domain (TD). In the present study, experiments are
performed on seismic images of the F3 block 3D dataset from offshore
Netherlands (source domain; SD) and Penobscot 3D survey data from Canada
(target domain; TD). Three geological classes from SD and TD that have similar
reflection patterns are considered. A deep neural network architecture named
EarthAdaptNet (EAN) is proposed to semantically segment the seismic images when
few classes have data scarcity, and we use a transposed residual unit to
replace the traditional dilated convolution in the decoder block. The EAN
achieved a pixel-level accuracy >84% and an accuracy of ~70% for the minority
classes, showing improved performance compared to existing architectures. In
addition, we introduce the CORAL (Correlation Alignment) method to the EAN to
create an unsupervised deep domain adaptation network (EAN-DDA) for the
classification of seismic reflections from F3 and Penobscot, to demonstrate
possible approaches when labelled data are unavailable. Maximum class accuracy
achieved was ~99% for class 2 of Penobscot, with an overall accuracy>50%. Taken
together, the EAN-DDA has the potential to classify target domain seismic
facies classes with high accuracy.
- Abstract(参考訳): ディープニューラルネットワーク(dnn)は、大量のラベル付き入力データから正確に学習するが、ラベル付きデータが不足している場合、うまくいかないことが多い。
DNNは、異なる入力分布からサンプリングされた検査データの一般化に失敗することがある。
教師なし深部領域適応(dda)技術はラベルがない場合やターゲット領域(td)で分布シフトが観測されている場合に有用であることが証明されている。
本研究では,オランダ沖のf3ブロック3dデータセット(ソースドメイン;sd)とカナダからのペノブスコット3d調査データ(ターゲットドメイン;td)の地震動画像について実験を行った。
類似の反射パターンを持つSDおよびTDからの3つの地質学的分類を考察した。
earthadaptnet (ean) と呼ばれる深層ニューラルネットワークアーキテクチャは,データ不足の場合に地震像を意味的にセグメンテーションするために提案され,デコーダブロックの従来の拡張畳み込みを置き換えるために変換された残差ユニットを使用する。
EANはピクセルレベルの精度が84%、マイノリティクラスの精度が70%に達し、既存のアーキテクチャと比較して性能が向上した。
さらに、F3およびペノブスコットからの反射を分類するための教師なし深部ドメイン適応ネットワーク(EAN-DDA)を作成するために、EANにコーラル(相関アライメント)手法を導入し、ラベル付きデータが利用できない場合に可能なアプローチを示す。
最大クラスの精度はペノブスコットのクラス2では99%、全体的な精度は50%であった。
まとめると、EAN-DDAは、ターゲット領域の地震相を高精度に分類する可能性がある。
関連論文リスト
- Syn-to-Real Unsupervised Domain Adaptation for Indoor 3D Object Detection [50.448520056844885]
室内3次元物体検出における非教師なし領域適応のための新しいフレームワークを提案する。
合成データセット3D-FRONTから実世界のデータセットScanNetV2とSUN RGB-Dへの適応結果は、ソースオンリーベースラインよりも9.7%、9.1%のmAP25が顕著に改善されていることを示している。
論文 参考訳(メタデータ) (2024-06-17T08:18:41Z) - 3D Adversarial Augmentations for Robust Out-of-Domain Predictions [115.74319739738571]
ドメイン外データへの一般化の改善に注力する。
対象を逆向きに変形させるベクトルの集合を学習する。
本研究では,学習したサンプル非依存ベクトルをモデルトレーニング時に利用可能なオブジェクトに適用することにより,対数拡大を行う。
論文 参考訳(メタデータ) (2023-08-29T17:58:55Z) - MS3D++: Ensemble of Experts for Multi-Source Unsupervised Domain
Adaptation in 3D Object Detection [12.005805403222354]
未知の領域に3D検出器を配置すると、検出率が70-90%低下することが示されている。
我々は,MS3D++を紹介した。MS3D++は3Dオブジェクト検出において,マルチソースな教師なしドメイン適応のための自己学習フレームワークである。
MS3D++は高品質な擬似ラベルを生成し、3D検出器は様々なライダータイプで高い性能を達成できる。
論文 参考訳(メタデータ) (2023-08-11T07:56:10Z) - Revisiting Domain-Adaptive 3D Object Detection by Reliable, Diverse and
Class-balanced Pseudo-Labeling [38.07637524378327]
ドメイン適応型3Dオブジェクト検出において,疑似ラベリング技術を用いた教師なしドメイン適応(DA)が重要なアプローチとして浮上している。
既存のDAメソッドは、マルチクラスのトレーニング環境に適用した場合、パフォーマンスが大幅に低下する。
本稿では,すべてのクラスを一度に検出する学習に適した新しいReDBフレームワークを提案する。
論文 参考訳(メタデータ) (2023-07-16T04:34:11Z) - SSDA3D: Semi-supervised Domain Adaptation for 3D Object Detection from
Point Cloud [125.9472454212909]
本稿では,3次元物体検出(SSDA3D)のための半改良型領域適応法を提案する。
SSDA3Dはドメイン間適応ステージとドメイン内一般化ステージを含む。
実験の結果,10%のラベル付きターゲットデータしか持たないSSDA3Dは,100%のターゲットラベルを持つ完全教師付きオラクルモデルを上回ることができることがわかった。
論文 参考訳(メタデータ) (2022-12-06T09:32:44Z) - Unsupervised Domain Adaptation for Monocular 3D Object Detection via
Self-Training [57.25828870799331]
我々は、Mono3D上での教師なしドメイン適応のための新しい自己学習フレームワークSTMono3Dを提案する。
対象ドメイン上で適応的な擬似ラベルを生成するための教師学生パラダイムを開発する。
STMono3Dは、評価されたすべてのデータセットで顕著なパフォーマンスを達成し、KITTI 3Dオブジェクト検出データセットの完全な教師付き結果を超えています。
論文 参考訳(メタデータ) (2022-04-25T12:23:07Z) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳(メタデータ) (2021-11-30T18:42:42Z) - 3DIoUMatch: Leveraging IoU Prediction for Semi-Supervised 3D Object
Detection [76.42897462051067]
3DIoUMatchは屋内および屋外の場面両方に適当3D目的の検出のための新しい半監視された方法です。
教師と教師の相互学習の枠組みを活用し,ラベル付けされていない列車の情報を擬似ラベルの形で伝達する。
本手法は,ScanNetとSUN-RGBDのベンチマークにおける最先端の手法を,全てのラベル比で有意差で継続的に改善する。
論文 参考訳(メタデータ) (2020-12-08T11:06:26Z)
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。