論文の概要: Predictive Geological Mapping with Convolution Neural Network Using
Statistical Data Augmentation on a 3D Model
- arxiv url: http://arxiv.org/abs/2110.14440v1
- Date: Wed, 27 Oct 2021 13:56:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-28 17:48:31.484992
- Title: Predictive Geological Mapping with Convolution Neural Network Using
Statistical Data Augmentation on a 3D Model
- Title（参考訳）: 3次元モデルに基づく統計的データ拡張を用いた畳み込みニューラルネットワークによる予測地質図の作成
- Authors: Cedou Matthieu, Gloaguen Erwan, Blouin Martin, Cat\'e Antoine,
Paiement Jean-Philippe, Tirdad Shiva
- Abstract要約: 本研究では,3次元地質・磁気感受性モデルを用いたデータ拡張ワークフローを構築した。
Gated Shape Convolutional Neural Networkアルゴリズムは、地質図を作成するために生成された合成データセットに基づいて訓練された。
合成データセットの一部と周辺地域のデータを用いて行った検証結果から, この手法が海底地質の区分に適していることが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Airborne magnetic data are commonly used to produce preliminary geological
maps. Machine learning has the potential to partly fulfill this task rapidly
and objectively, as geological mapping is comparable to a semantic segmentation
problem. Because this method requires a high-quality dataset, we developed a
data augmentation workflow that uses a 3D geological and magnetic
susceptibility model as input. The workflow uses soft-constrained Multi-Point
Statistics, to create many synthetic 3D geological models, and Sequential
Gaussian Simulation algorithms, to populate the models with the appropriate
magnetic distribution. Then, forward modeling is used to compute the airborne
magnetic responses of the synthetic models, which are associated with their
counterpart surficial lithologies. A Gated Shape Convolutional Neural Network
algorithm was trained on a generated synthetic dataset to perform geological
mapping of airborne magnetic data and detect lithological contacts. The
algorithm also provides attention maps highlighting the structures at different
scales, and clustering was applied to its high-level features to do a
semi-supervised segmentation of the area. The validation conducted on a portion
of the synthetic dataset and data from adjacent areas shows that the
methodology is suitable to segment the surficial geology using airborne
magnetic data. Especially, the clustering shows a good segmentation of the
magnetic anomalies into a pertinent geological map. Moreover, the first
attention map isolates the structures at low scales and shows a pertinent
representation of the original data. Thus, our method can be used to produce
preliminary geological maps of good quality and new representations of any area
where a geological and petrophysical 3D model exists, or in areas sharing the
same geological context, using airborne magnetic data only.
- Abstract（参考訳）: 空中磁気データは地質図の作成によく用いられる。
地理的マッピングはセマンティックセグメンテーション問題に匹敵するので、機械学習はこのタスクを迅速かつ客観的に部分的に満たす可能性がある。
この手法は高品質なデータセットを必要とするため、3次元地質学および磁気感受性モデルを用いたデータ拡張ワークフローを開発した。
このワークフローでは、ソフトトレーニングされた多点統計を使い、多くの合成3次元地質モデルを作成し、逐次ガウスシミュレーションアルゴリズムを用いて、適切な磁気分布を持つモデルを配置する。
次に、フォワードモデリングを用いて、合成モデルの空中磁気応答を計算し、それらに対応するサービシアルリソロジーに関連付ける。
Gated Shape Convolutional Neural Networkアルゴリズムは、生成した合成データセットに基づいて、空中磁気データの地質マッピングを行い、リソロジー接触を検出する。
アルゴリズムはまた、異なるスケールの構造を強調する注意マップを提供し、クラスタリングは、その高レベルな特徴に適用され、領域の半教師付きセグメンテーションを行う。
合成データセットの一部と隣接領域のデータで検証した結果,この手法は空中磁気データを用いてサーベイシアル地質を区分するのに適していることがわかった。
特に、クラスター化は、磁気異常の良好なセグメンテーションを、関連する地質図に示す。
さらに、第1の注意マップは、低スケールで構造を分離し、元のデータの関連する表現を示す。
そこで本手法は, 地磁気データのみを用いて, 地質学的および岩石学的3次元モデルが存在する地域, あるいは同じ地質学的状況を共有する地域で, 高品質で新しい地形図を作成できる。
関連論文リスト
- Topograph: An efficient Graph-Based Framework for Strictly Topology Preserving Image Segmentation [78.54656076915565]
位相的正しさは多くの画像分割タスクにおいて重要な役割を果たす。
ほとんどのネットワークは、Diceのようなピクセル単位の損失関数を使って、トポロジカルな精度を無視して訓練されている。
トポロジ的に正確な画像セグメンテーションのための新しいグラフベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-05T16:20:14Z) - Generating Topologically and Geometrically Diverse Manifold Data in Dimensions Four and Below [0.0]
近年の研究では、合成4D画像型データが、4D畳み込みニューラルネットワークモデルのトレーニングに有用であることが示されている。
これらのモデルは、永続的ホモロジーのような既存のトポロジ的データ分析技術では不可能な画像前処理技術の使用を許容しているように見える。
論文 参考訳（メタデータ） (2024-09-20T09:37:09Z) - Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。
我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。
グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
論文 参考訳（メタデータ） (2023-11-29T12:48:33Z) - Synthetic Data Generation and Deep Learning for the Topological Analysis
of 3D Data [0.0]
この研究は、深層学習を用いて、3Dでスパースで無秩序な点雲のシーンのトポロジーを推定する。
この実験結果は、洗練された合成データ生成の助けを借りて、ニューラルネットワークがセグメンテーションに基づくトポロジ的データ解析を行うことができるという仮説を支持する。
論文 参考訳（メタデータ） (2023-09-29T04:37:35Z) - Graph Representation of the Magnetic Field Topology in High-Fidelity
Plasma Simulations for Machine Learning Applications [0.7650548154518115]
シミュレーションプラズマ中の磁場のトポロジカル解析は、様々な物理現象を幅広い環境で研究することができる。
磁場トポロジーのダイナミクスに関連する現象である磁気リコネクションは3次元で検出・特徴づけが困難である。
本稿では,スケーラブルなデータ解析のためのパイプラインと3つの磁場のグラフ表現を提案する。
論文 参考訳（メタデータ） (2023-07-10T18:08:05Z) - Semi-Automated Segmentation of Geoscientific Data Using Superpixels [4.035753155957697]
地質学的プロセスは、臨界鉱物、水、地熱エネルギーなどの資源の分布を決定する。
スーパーピクセルの概念に触発されて,類似した特徴を持つ領域に分割したサーベイデータに対する深層学習に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2023-03-20T19:21:46Z) - Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。
2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。
提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文 参考訳（メタデータ） (2021-12-23T12:17:47Z) - Surface Warping Incorporating Machine Learning Assisted Domain
Likelihood Estimation: A New Paradigm in Mine Geology Modelling and
Automation [68.8204255655161]
新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。
本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。
その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
論文 参考訳（メタデータ） (2021-02-15T10:37:52Z) - Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action
Recognition [57.98278794950759]
グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。
本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。
提案手法を,現在最大規模の2つの3次元データセット上で評価する。
論文 参考訳（メタデータ） (2020-07-30T18:23:18Z) - Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。
提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。
3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
論文 参考訳（メタデータ） (2020-04-17T11:55:03Z) - Topological Machine Learning for Mixed Numeric and Categorical Data [0.0]
トポロジカルデータ分析は、高次元データの研究において優れた機械学習の新しい分野である。
混合数値と分類属性を持つ混合データオブジェクトは、現実世界のアプリケーションではユビキタスである。
混合データ分類のための新しいトポロジカル機械学習手法を提案する。
論文 参考訳（メタデータ） (2020-03-10T08:50:12Z)
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。