論文の概要: Self-Supervised Delineation of Geological Structures using Orthogonal Latent Space Projection

• arxiv url: http://arxiv.org/abs/2108.09605v1
• Date: Sun, 22 Aug 2021 00:19:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-25 05:05:25.772189
• Title: Self-Supervised Delineation of Geological Structures using Orthogonal Latent Space Projection
• Title（参考訳）: 直交潜在空間投影による地質構造の自己監督
• Authors: Oluwaseun Joseph Aribido, Ghassan AlRegib, Yazeed Alaudah
• Abstract要約: 我々は,経験豊富な地震インタプリタから手動によるラベル付けを行うことなく,地震量の自動解析を支援する2つの機械学習フレームワークを開発した。 第1のフレームワークは教師なし階層的クラスタリングモデルであり、地震像をボリュームからアルゴリズムによって決定された一定の数のクラスタに分割する。 第2のフレームワークは、地震画像に対する地質学的関心の地域をラベル付けするための自己教師型ディープラーニングフレームワークで構成されている。
• 参考スコア（独自算出の注目度）: 21.207882464252737
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We developed two machine learning frameworks that could assist in automated litho-stratigraphic interpretation of seismic volumes without any manual hand labeling from an experienced seismic interpreter. The first framework is an unsupervised hierarchical clustering model to divide seismic images from a volume into certain number of clusters determined by the algorithm. The clustering framework uses a combination of density and hierarchical techniques to determine the size and homogeneity of the clusters. The second framework consists of a self-supervised deep learning framework to label regions of geological interest in seismic images. It projects the latent-space of an encoder-decoder architecture unto two orthogonal subspaces, from which it learns to delineate regions of interest in the seismic images. To demonstrate an application of both frameworks, a seismic volume was clustered into various contiguous clusters, from which four clusters were selected based on distinct seismic patterns: horizons, faults, salt domes and chaotic structures. Images from the selected clusters are used to train the encoder-decoder network. The output of the encoder-decoder network is a probability map of the possibility an amplitude reflection event belongs to an interesting geological structure. The structures are delineated using the probability map. The delineated images are further used to post-train a segmentation model to extend our results to full-vertical sections. The results on vertical sections show that we can factorize a seismic volume into its corresponding structural components. Lastly, we showed that our deep learning framework could be modeled as an attribute extractor and we compared our attribute result with various existing attributes in literature and demonstrate competitive performance with them.
• Abstract（参考訳）: 我々は,経験豊富な地震インタプリタから手動によるラベル付けを行うことなく,地震量の自動解析を支援する2つの機械学習フレームワークを開発した。 最初のフレームワークは教師なしの階層的クラスタリングモデルで、地震像をボリュームから、アルゴリズムによって決定されるある数のクラスタに分割する。 クラスタリングフレームワークは、密度と階層的なテクニックを組み合わせて、クラスタのサイズと均質性を決定する。 第2のフレームワークは、地震画像に対する地質学的関心の地域をラベル付けするための自己教師型ディープラーニングフレームワークで構成されている。 エンコーダ・デコーダアーキテクチャの潜在空間を2つの直交部分空間に射影し、そこから地震画像に対する関心領域を記述することを学ぶ。 両フレームワークの適用例を示すために,地震体積を連続した複数のクラスターにまとめ,地平線,断層,塩ドーム,カオス構造という異なる地震パターンに基づいて4つのクラスターを選定した。 選択されたクラスタからのイメージは、エンコーダ-デコーダネットワークのトレーニングに使用される。 エンコーダ・デコーダネットワークの出力は、振幅反射イベントが興味深い地質構造に属する可能性の確率マップである。 構造は確率写像を用いて記述される。 区切りされた画像はさらに、セグメンテーションモデルを訓練して、結果を完全な垂直セクションに拡張するために使われる。 その結果,地震の体積を,それに対応する構造成分に分解できることがわかった。 最後に、私たちのディープラーニングフレームワークを属性抽出器としてモデル化できることを示し、文献における様々な属性と比較し、それらと競合する性能を示した。

関連論文リスト

• N2F2: Hierarchical Scene Understanding with Nested Neural Feature Fields [112.02885337510716]
  Nested Neural Feature Fields (N2F2)は、階層的な監視を用いて単一機能フィールドを学習する新しいアプローチである。 画像空間の任意のスケールで意味的に意味のある画素群を提供するために、2次元クラス非依存セグメンテーションモデルを利用する。 オープンな3次元セグメンテーションやローカライゼーションといったタスクにおいて,最先端のフィールド蒸留法よりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2024-03-16T18:50:44Z)
• A Lightweight Clustering Framework for Unsupervised Semantic Segmentation [28.907274978550493]
  教師なしセマンティックセグメンテーションは、注釈付きデータを用いることなく、画像の各ピクセルを対応するクラスに分類することを目的としている。 教師なしセマンティックセグメンテーションのための軽量クラスタリングフレームワークを提案する。 本フレームワークは,PASCAL VOCおよびMS COCOデータセットの最先端結果を実現する。
  論文  参考訳（メタデータ） (2023-11-30T15:33:42Z)
• An Unsupervised Machine Learning Approach for Ground-Motion Spectra Clustering and Selection [6.3376363722490145]
  本稿では,地震動スペクトルの特徴を抽出する教師なし機械学習アルゴリズムを提案する。 潜時特性は、ニューラルネットワークオートエンコーダの非線形関係を通して学習された低次元の機械によるスペクトル特性である。 合成およびフィールド記録された地動データセットの使用など、このアプローチを検証するための3つの例が提示される。
  論文  参考訳（メタデータ） (2022-12-06T18:02:55Z)
• Deep Spectral Methods: A Surprisingly Strong Baseline for Unsupervised Semantic Segmentation and Localization [98.46318529630109]
  画像分解をグラフ分割問題として再フレーミングすることで,従来のスペクトル分割法から着想を得た。 これらの固有ベクトルはすでにイメージを意味のあるセグメントに分解しており、シーン内のオブジェクトのローカライズに容易に利用できる。 データセットにまたがるこれらのセグメントに関連する機能をクラスタ化することで、明確に定義された、名前付き可能なリージョンを得ることができる。
  論文  参考訳（メタデータ） (2022-05-16T17:47:44Z)
• Multiscale Analysis for Improving Texture Classification [62.226224120400026]
  本稿では,テクスチャの異なる空間周波数帯域を別々に扱うために,ガウス・ラプラシアピラミッドを用いる。 バイオインスパイアされたテクスチャ記述子,情報理論測度,灰色レベルの共起行列特徴,ハリリック統計特徴から抽出した特徴を特徴ベクトルに集約した。
  論文  参考訳（メタデータ） (2022-04-21T01:32:22Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• Dynamic Texture Recognition via Nuclear Distances on Kernelized Scattering Histogram Spaces [95.21606283608683]
  本研究では,動的テクスチャをScattering変換を用いて計算したフレームワイド特徴ベクトルのカーネル空間として記述することを提案する。 これらの空間を基底不変距離と組み合わせることで、最も近い近傍分類の競合結果と、最も近いクラス中心分類の最先端結果を生成する枠組みを得る。
  論文  参考訳（メタデータ） (2021-02-01T13:54:24Z)
• Self-Supervised Annotation of Seismic Images using Latent Space Factorization [14.221460375400692]
  我々のフレームワークは、学習したサブ空間に潜在空間を投影することにより、ディープエンコーダデコーダネットワークの潜伏空間を分解する。 注釈付き画像の詳細は分析のために提供され、類似のフレームワークで定性比較を行う。
  論文  参考訳（メタデータ） (2020-09-10T01:54:45Z)
• Unsupervised Learning for Subterranean Junction Recognition Based on 2D Point Cloud [3.8532191223676517]
  本稿では, 獲得した2次元点雲に基づいて地下環境におけるトンネル接合数を検出するための, 教師なし学習フレームワークを提案する。 我々は,複数の現実的なシミュレーションや地下環境の実際の飛行から収集した複数のデータセットを用いて,開発フレームワークを検証した。
  論文  参考訳（メタデータ） (2020-06-07T18:36:56Z)
• 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)
• Contextual Encoder-Decoder Network for Visual Saliency Prediction [42.047816176307066]
  本稿では,大規模な画像分類タスクに基づいて事前学習した畳み込みニューラルネットワークに基づくアプローチを提案する。 得られた表現をグローバルなシーン情報と組み合わせて視覚的サリエンシを正確に予測する。 最先端技術と比較して、このネットワークは軽量な画像分類バックボーンに基づいている。
  論文  参考訳（メタデータ） (2019-02-18T16:15:25Z)

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。