論文の概要: The potential of self-supervised networks for random noise suppression
in seismic data
- arxiv url: http://arxiv.org/abs/2109.07344v1
- Date: Wed, 15 Sep 2021 14:57:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-16 18:56:37.546185
- Title: The potential of self-supervised networks for random noise suppression
in seismic data
- Title（参考訳）: 地震データにおけるランダムノイズ抑圧のための自己教師ネットワークの可能性
- Authors: Claire Birnie, Matteo Ravasi, Tariq Alkhalifah, Sixiu Liu
- Abstract要約: ブラインド・スポット・ネットワークは地震データにおけるランダムノイズの効率的な抑制効果を示す。
結果は、FXデコンボリューションとCurvelet変換という2つの一般的なランダムな復調手法と比較される。
これは、地震の応用における自己教師あり学習の活用の始まりにすぎないと我々は信じている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Noise suppression is an essential step in any seismic processing workflow. A
portion of this noise, particularly in land datasets, presents itself as random
noise. In recent years, neural networks have been successfully used to denoise
seismic data in a supervised fashion. However, supervised learning always comes
with the often unachievable requirement of having noisy-clean data pairs for
training. Using blind-spot networks, we redefine the denoising task as a
self-supervised procedure where the network uses the surrounding noisy samples
to estimate the noise-free value of a central sample. Based on the assumption
that noise is statistically independent between samples, the network struggles
to predict the noise component of the sample due to its randomnicity, whilst
the signal component is accurately predicted due to its spatio-temporal
coherency. Illustrated on synthetic examples, the blind-spot network is shown
to be an efficient denoiser of seismic data contaminated by random noise with
minimal damage to the signal; therefore, providing improvements in both the
image domain and down-the-line tasks, such as inversion. To conclude the study,
the suggested approach is applied to field data and the results are compared
with two commonly used random denoising techniques: FX-deconvolution and
Curvelet transform. By demonstrating that blind-spot networks are an efficient
suppressor of random noise, we believe this is just the beginning of utilising
self-supervised learning in seismic applications.
- Abstract（参考訳）: 騒音抑制は地震処理ワークフローにおいて不可欠なステップである。
このノイズの一部は、特にランドデータセットでランダムノイズとして表現される。
近年、ニューラルネットワークは、監視された方法で地震データをノイズ化するのに成功している。
しかし、教師あり学習には、トレーニング用にノイズの多いクリーンなデータペアを持つという、しばしば達成不可能な要件が伴う。
盲点ネットワークを用いて、周囲の雑音サンプルを用いて中央サンプルのノイズフリー値を推定する自己監督手順として、デノナイジングタスクを再定義する。
ノイズがサンプル間で統計的に独立であるという仮定に基づいて、ネットワークはランダム性のためにサンプルのノイズ成分を予測するのに苦労し、信号成分は時空間的コヒーレンシーのために正確に予測される。
合成例として、ブラインド・スポット・ネットワークは、信号に最小限のダメージを与えるランダムノイズによって汚染された地震データの効率的なデノイザーであることが示され、インバージョンのような画像領域とダウンザラインタスクの改善が提供される。
本研究の結論として,提案手法をフィールドデータに適用し,FXデコンボリューションとCurvelet変換の2つのランダムな復調手法と比較した。
盲点ネットワークがランダムノイズの効率的な抑制要因であることを実証することにより、地震探査における自己教師あり学習の活用の始まりにすぎないと信じている。
関連論文リスト
- Learning with Noisy Foundation Models [95.50968225050012]
本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。
雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
論文 参考訳（メタデータ） (2024-03-11T16:22:41Z) - Explainable Artificial Intelligence driven mask design for
self-supervised seismic denoising [0.0]
自己教師付きコヒーレントノイズ抑圧法は、ノイズ統計の広範な知識を必要とする。
本稿では,視覚ネットワークであるブラックボックスの内部を見るために,説明可能な人工知能アプローチを提案する。
ランダムに選択された多数の入力画素に対するジャコビアン寄与の簡易な平均化が、最も効果的なマスクの指標であることを示す。
論文 参考訳（メタデータ） (2023-07-13T11:02:55Z) - DAS-N2N: Machine learning Distributed Acoustic Sensing (DAS) signal
denoising without clean data [0.0]
本稿では、分散音響センサ(DAS)記録における強いランダムノイズを抑制するために、DAS-N2Nと呼ぶ弱い教師付き機械学習手法を提案する。
本研究では,DAS-N2Nが不整合性雑音を著しく抑制し,自然微小地震発生時の信号-雑音比(SNR)を増大させることを示す。
論文 参考訳（メタデータ） (2023-04-17T09:58:52Z) - Optimizing the Noise in Self-Supervised Learning: from Importance
Sampling to Noise-Contrastive Estimation [80.07065346699005]
GAN(Generative Adversarial Networks)のように、最適な雑音分布はデータ分布に等しくなると広く想定されている。
我々は、この自己教師型タスクをエネルギーベースモデルの推定問題として基礎づけるノイズ・コントラスト推定に目を向ける。
本研究は, 最適雑音のサンプリングは困難であり, 効率性の向上は, データに匹敵する雑音分布を選択することに比べ, 緩やかに行うことができると結論付けた。
論文 参考訳（メタデータ） (2023-01-23T19:57:58Z) - Transfer learning for self-supervised, blind-spot seismic denoising [0.0]
本研究では、関心のフィールドデータセットに自己教師付きで微調整を行う前に、フリグリ生成された合成データセット上でネットワークを初期的に教師付きで訓練することを提案する。
ピーク信号-雑音比の変化やノイズの低減,信号漏れの観測などを考慮すると,教師付きベーストレーニングによる重み付けによる自己教師ネットワークの初期化のメリットは明らかである。
論文 参考訳（メタデータ） (2022-09-25T12:58:10Z) - Weak-signal extraction enabled by deep-neural-network denoising of
diffraction data [26.36525764239897]
深層畳み込みニューラルネットワークを用いて、データの復号化を図示する。
ノイズの多いデータでは、電荷の順序から生じる弱信号が可視化され、精度が向上することを示す。
論文 参考訳（メタデータ） (2022-09-19T14:43:01Z) - The Optimal Noise in Noise-Contrastive Learning Is Not What You Think [80.07065346699005]
この仮定から逸脱すると、実際により良い統計的推定結果が得られることが示される。
特に、最適な雑音分布は、データと異なり、また、別の家族からさえも異なる。
論文 参考訳（メタデータ） (2022-03-02T13:59:20Z) - Removing Noise from Extracellular Neural Recordings Using Fully
Convolutional Denoising Autoencoders [62.997667081978825]
ノイズの多いマルチチャネル入力からクリーンなニューロン活動信号を生成することを学習する完全畳み込みデノイングオートエンコーダを提案する。
シミュレーションデータを用いた実験結果から,提案手法はノイズ崩壊型ニューラルネットワークの品質を大幅に向上させることができることがわかった。
論文 参考訳（メタデータ） (2021-09-18T14:51:24Z) - Joint self-supervised blind denoising and noise estimation [0.0]
2つのニューラルネットワークが共同でクリーンシグナルを予測し、ノイズ分布を推定する。
本モデルがノイズ分布を効率的に捉える合成ノイズデータを用いた実証実験を行います。
論文 参考訳（メタデータ） (2021-02-16T08:37:47Z) - Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。
ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。
デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
論文 参考訳（メタデータ） (2021-01-08T02:03:25Z) - Adaptive noise imitation for image denoising [58.21456707617451]
本研究では,自然雑音画像からノイズデータを合成できる新しいテキストバッファ適応ノイズ模倣(ADANI)アルゴリズムを開発した。
現実的なノイズを生成するため、ノイズ発生装置はノイズ発生のガイドとなる雑音/クリーン画像を入力として利用する。
ADANIから出力されるノイズデータとそれに対応する基盤構造とを結合すると、デノイングCNNは、完全に教師された方法で訓練される。
論文 参考訳（メタデータ） (2020-11-30T02:49:36Z)
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。