論文の概要: Seismic Fault Segmentation via 3D-CNN Training by a Few 2D Slices Labels
- arxiv url: http://arxiv.org/abs/2105.03857v1
- Date: Sun, 9 May 2021 07:13:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-11 14:38:07.452567
- Title: Seismic Fault Segmentation via 3D-CNN Training by a Few 2D Slices Labels
- Title(参考訳): 2次元スライスラベルによる3次元CNN訓練による地震断層分割
- Authors: YiMin Dou, Kewen Li, Jianbing Zhu, Xiao Li, Yingjie Xi
- Abstract要約: 我々は3次元地震データから2次元スライスをサンプリングし,新しい2次元クロスエントロピーと滑らかなL1損失を3D-CNNの訓練に適用する。
実験により,実データから2次元スライスラベルから3次元地震特性を抽出し,断層容積を分割できることを示した。
- 参考スコア(独自算出の注目度): 6.963867115353744
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Detection faults in seismic data is a crucial step for seismic structural
interpretation, reservoir characterization and well placement, and it is full
of challenges. Some recent works regard fault detection as an image
segmentation task. The task of image segmentation requires a large amount of
data labels, especially 3D seismic data, which has a complex structure and a
lot of noise. Therefore, its annotation requires expert experience and a huge
workload, wrong labeling and missing labeling will affect the segmentation
performance of the model. In this study, we present a new binary cross-entropy
and smooth L1 loss ({\lambda}-BCE and {\lambda}-smooth L1) to effectively train
3D-CNN by sampling some 2D slices from 3D seismic data, so that the model can
learn the segmentation of 3D seismic data from a few 2D slices. In order to
fully extract information from limited and low-dimensional data and suppress
seismic noise, we propose an attention module that can be used for active
supervision training (Active Attention Module, AAM) and embedded in the network
to participate in the differentiation and optimization of the model. During
training, the attention heatmap target is generated by the original binary
label, and letting it supervise the attention module using the {\lambda}-smooth
L1 loss. Qualitative experiments show that our method can extract 3D seismic
features from a few 2D slices labels on real data, to segment a complete fault
volume. Through visualization, the segmentation effect achieves
state-of-the-art. Quantitative experiments on synthetic data prove the
effectiveness of our training method and attention module. Experiments show
that using our method, labeling one 2D slice every 30 frames at least (3.3% of
the original label), the model can achieve a segmentation performance similar
to that of a 3D label.
- Abstract(参考訳): 地震データ中の検出障害は, 構造解釈, 貯留層特性, 井戸配置に重要なステップであり, 課題に満ちている。
最近の研究では、障害検出を画像分割タスクとしている。
画像セグメンテーションのタスクには大量のデータラベル、特に複雑な構造と多くのノイズを持つ3次元地震データが必要である。
したがって、アノテーションはエキスパートエクスペリエンスを必要とし、巨大なワークロード、誤ったラベル付け、欠落したラベル付けはモデルのセグメンテーション性能に影響する。
本研究では,3次元地震データから2次元スライスをサンプリングして3次元cnnを効果的に訓練し,数枚の2次元スライスから3次元地震データのセグメンテーションを学習できるように,新しい2次元クロスエントロピーと滑らかなl1ロス({\lambda}-bceと {\lambda}-smooth l1)を提案する。
限られた低次元データから情報を完全に抽出し,地震騒音を抑制するため,アクティブな監視訓練(Active Attention Module, AAM)に使用可能なアテンションモジュールを提案する。
トレーニング中、アテンションヒートマップターゲットは元のバイナリラベルによって生成され、.lambda}-smooth L1ロスを使用してアテンションモジュールを監督する。
定性的実験により,本手法は実データから2次元スライスラベルから3次元地震特性を抽出し,断層容積を分割できることを示した。
可視化により、セグメンテーション効果は最先端を達成する。
合成データの定量的実験により,トレーニング手法とアテンションモジュールの有効性が証明された。
実験により、30フレームごとに1枚の2dスライスを少なくとも3.3%のラベルでラベル付けすることで、3dラベルと同様のセグメンテーション性能が得られることを示した。
関連論文リスト
- Every Dataset Counts: Scaling up Monocular 3D Object Detection with
Joint Datasets Training [8.759849966732519]
本研究では,多種多様な3次元および2次元データセットを用いたモノクロ3次元物体検出モデルの学習パイプラインについて検討した。
提案フレームワークは,(1)様々なカメラ設定にまたがって機能するロバストなモノクル3Dモデル,(2)異なるクラスアノテーションでデータセットを適応するための選択学習戦略,(3)2Dラベルを用いた擬似3Dトレーニング手法により,2Dラベルのみを含むシーンにおける検出性能を向上させる。
論文 参考訳(メタデータ) (2023-10-02T06:17:24Z) - 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) - Augment and Criticize: Exploring Informative Samples for Semi-Supervised
Monocular 3D Object Detection [64.65563422852568]
我々は、一般的な半教師付きフレームワークを用いて、難解な単分子3次元物体検出問題を改善する。
我々は、ラベルのないデータから豊富な情報的サンプルを探索する、新しい、シンプルで効果的なAugment and Criticize'フレームワークを紹介します。
3DSeMo_DLEと3DSeMo_FLEXと呼ばれる2つの新しい検出器は、KITTIのAP_3D/BEV(Easy)を3.5%以上改善した。
論文 参考訳(メタデータ) (2023-03-20T16:28:15Z) - LWSIS: LiDAR-guided Weakly Supervised Instance Segmentation for
Autonomous Driving [34.119642131912485]
より巧妙なフレームワークであるLiDAR誘導弱監視インスタンス(LWSIS)を提示する。
LWSISは市販の3Dデータ、すなわちポイントクラウドと3Dボックスを2Dイメージインスタンスセグメンテーションモデルをトレーニングするための自然な弱い監督手段として使用している。
我々のLWSISは、訓練中のマルチモーダルデータの補完情報を利用するだけでなく、密集した2Dマスクのコストを大幅に削減します。
論文 参考訳(メタデータ) (2022-12-07T08:08:01Z) - Semi-supervised 3D shape segmentation with multilevel consistency and
part substitution [21.075426681857024]
本稿では,ラベル付3次元形状とラベル付3次元データの量から3次元分割を効果的に学習するための半教師付き手法を提案する。
ラベルのないデータに対して,3次元形状の摂動コピー間のネットワーク予測の整合性を確保するために,新しい多レベル整合性損失を提案する。
ラベル付きデータに対して,より構造的な変化を伴ってラベル付き3次元形状を増強し,トレーニングを強化するシンプルな部分置換法を開発した。
論文 参考訳(メタデータ) (2022-04-19T11:48:24Z) - Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR-based
Perception [122.53774221136193]
運転時のLiDARに基づく認識のための最先端の手法は、しばしば点雲を2D空間に投影し、2D畳み込みによって処理する。
自然な対策として、3Dボクセル化と3D畳み込みネットワークを利用する方法がある。
本研究では,3次元幾何学的パターンを探索するために,円筒状分割と非対称な3次元畳み込みネットワークを設計する,屋外LiDARセグメンテーションのための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2021-09-12T06:25:11Z) - Delving into Localization Errors for Monocular 3D Object Detection [85.77319416168362]
単眼画像から3Dバウンディングボックスを推定することは、自動運転に不可欠な要素です。
本研究では, 各サブタスクがもたらす影響を定量化し, 局所化誤差を求めることが, モノクロ3次元検出の抑制に欠かせない要因である。
論文 参考訳(メタデータ) (2021-03-30T10:38:01Z) - ST3D: Self-training for Unsupervised Domain Adaptation on 3D
ObjectDetection [78.71826145162092]
点雲からの3次元物体検出における教師なし領域適応のための新しい領域適応型自己学習パイプラインST3Dを提案する。
当社のST3Dは、評価されたすべてのデータセットで最先端のパフォーマンスを達成し、KITTI 3Dオブジェクト検出ベンチマークで完全に監視された結果を超えます。
論文 参考訳(メタデータ) (2021-03-09T10:51:24Z) - Learning Hyperbolic Representations for Unsupervised 3D Segmentation [3.516233423854171]
本稿では,双曲型潜在空間を持つ変分オートエンコーダ(VAE)とジャイロプレーン畳み込み層を用いて,教師なしセグメンテーションのための3次元パッチの効果的表現を提案する。
階層型トイデータセット,BraTS全腫瘍データセット,低温電子顕微鏡データを用いた非教師なし3次元セグメンテーションにおけるハイパーボリック表現の有効性を実証した。
論文 参考訳(メタデータ) (2020-12-03T02:15:31Z) - 3D Guided Weakly Supervised Semantic Segmentation [27.269847900950943]
本稿では,スパース境界ボックスラベルを利用可能な3次元情報に組み込むことにより,弱教師付き2次元セマンティックセマンティックセマンティックセマンティクスモデルを提案する。
手動で2D-3Dセマンティックス(2D-3D-S)データセットのサブセットにバウンディングボックスをラベル付けし、2D-3D推論モジュールを導入し、正確なピクセルワイドセグメント提案マスクを生成する。
論文 参考訳(メタデータ) (2020-12-01T03:34:15Z) - Reinforced Axial Refinement Network for Monocular 3D Object Detection [160.34246529816085]
モノクロ3次元物体検出は、2次元入力画像から物体の位置と特性を抽出することを目的としている。
従来のアプローチでは、空間から3D境界ボックスをサンプリングし、対象オブジェクトと各オブジェクトの関係を推定するが、有効サンプルの確率は3D空間で比較的小さい。
我々は,まず最初の予測から始めて,各ステップで1つの3dパラメータだけを変えて,基礎的真理に向けて徐々に洗練することを提案する。
これは、いくつかのステップの後に報酬を得るポリシーを設計する必要があるため、最適化するために強化学習を採用します。
論文 参考訳(メタデータ) (2020-08-31T17:10:48Z)
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。