論文の概要: Complete identification of complex salt-geometries from inaccurate migrated images using Deep Learning

• arxiv url: http://arxiv.org/abs/2204.09710v2
• Date: Fri, 22 Apr 2022 16:51:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-25 11:29:42.625472
• Title: Complete identification of complex salt-geometries from inaccurate migrated images using Deep Learning
• Title（参考訳）: 深層学習による不正確な移動画像からの複雑な塩-ジオメトリの完全同定
• Authors: Ana Paula O. Muller, Jesse C. Costa, Clecio R. Bom, Elisangela L. Faria, Matheus Klatt, Gabriel Teixeira, Marcelo P. de Albuquerque, Marcio P. de Albuquerque
• Abstract要約: 本稿では,不正確な速度モデルから生成したマイグレーション画像を用いて,塩分包有物の正確な形状を予測することを提案する。 我々のアプローチは、土砂の反射をゼロオフセット周辺に集中させるために、地下のCommon Image Gathersに依存する。 合成データを用いて,ネットワーク出力としてCNNと正しい塩マスクの入力チャネルとして,共通オフセット地下画像を使用するようにU-Netを訓練した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Delimiting salt inclusions from migrated images is a time-consuming activity that relies on highly human-curated analysis and is subject to interpretation errors or limitations of the methods available. We propose to use migrated images produced from an inaccurate velocity model (with a reasonable approximation of sediment velocity, but without salt inclusions) to predict the correct salt inclusions shape using a Convolutional Neural Network (CNN). Our approach relies on subsurface Common Image Gathers to focus the sediments' reflections around the zero offset and to spread the energy of salt reflections over large offsets. Using synthetic data, we trained a U-Net to use common-offset subsurface images as input channels for the CNN and the correct salt-masks as network output. The network learned to predict the salt inclusions masks with high accuracy; moreover, it also performed well when applied to synthetic benchmark data sets that were not previously introduced. Our training process tuned the U-Net to successfully learn the shape of complex salt bodies from partially focused subsurface offset images.
• Abstract（参考訳）: 移行した画像から塩分を除去することは、高度に計算された解析に依存し、利用可能なメソッドの解釈エラーや制限を受ける時間を要する活動である。 本研究では, コンボリューションニューラルネットワーク(cnn)を用いて, 不正確な流速モデル(堆積速度を合理的に近似するが, 塩包有物は含まない)から生成したマイグレーション画像を用いて, 塩包有物の形状を推定する手法を提案する。 本手法は, 堆積物のゼロオフセットまわりの反射に着目し, 大きなオフセットに塩反射のエネルギーを拡散させるため, 地下のコモン・イメージ・アグリゲーションに依拠する。 合成データを用いて,ネットワーク出力としてCNNと正しい塩マスクの入力チャネルとして,共通オフセット地下画像を使用するようにU-Netを訓練した。 ネットワークはソルトインクルージョンマスクを高い精度で予測することを学び、さらに以前に導入されなかった合成ベンチマークデータセットにも適用した。 実験では,u-netを用いて部分集束した表層オフセット画像から複雑な塩体形状を学習した。

関連論文リスト

• Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
  本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。 実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-08-28T10:07:17Z)
• Transformer-based Clipped Contrastive Quantization Learning for Unsupervised Image Retrieval [15.982022297570108]
  教師なし画像検索は、与えられたクエリ画像の類似画像を取得するために、任意のレベルなしに重要な視覚的特徴を学習することを目的としている。 本稿では,パッチベースの処理により局所的なコンテキストを持つTransformerを用いて,画像のグローバルコンテキストを符号化するTransClippedCLRモデルを提案する。 提案したクリップ付きコントラスト学習の結果は、バニラコントラスト学習と同一のバックボーンネットワークと比較して、すべてのデータセットで大幅に改善されている。
  論文  参考訳（メタデータ） (2024-01-27T09:39:11Z)
• Precise localization of corneal reflections in eye images using deep learning trained on synthetic data [9.150553995510217]
  眼球画像中の1つの角膜反射(CR)の中心を正確に位置決めする深層学習法を提案する。 我々は、シミュレーションデータのみを用いてトレーニングされた畳み込みニューラルネットワーク(CNN)を使用している。 提案手法はCR中心位置決めの高精度な手法を提供し,データ可用性問題に対する解決策を提供する。
  論文  参考訳（メタデータ） (2023-04-12T07:49:21Z)
• Deep Convolutional Pooling Transformer for Deepfake Detection [54.10864860009834]
  本研究では,局所的・グローバル的に決定的な画像特徴を取り入れた深部畳み込み変換器を提案する。 具体的には,抽出した特徴を充実させ,有効性を高めるために,畳み込みプーリングと再アテンションを適用した。 提案手法は、内部実験と相互データセット実験の両方において、最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2022-09-12T15:05:41Z)
• Adaptive Convolutional Dictionary Network for CT Metal Artifact Reduction [62.691996239590125]
  本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。 我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。 本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
  論文  参考訳（メタデータ） (2022-05-16T06:49:36Z)
• Salt Detection Using Segmentation of Seismic Image [1.370633147306388]
  最先端の深部畳み込みニューラルネットワーク(DCNN)は、地表下における塩検出のためのセグメント地震画像として提示される。
  論文  参考訳（メタデータ） (2022-03-25T15:45:05Z)
• IntraQ: Learning Synthetic Images with Intra-Class Heterogeneity for Zero-Shot Network Quantization [118.39791787743401]
  IntraQと呼ばれる新しいゼロショット量子化法を提案する。 まず,合成画像の異なるスケールと位置で対象物を特定する局所的物体補強法を提案する。 第2に、粗い領域に分布するクラス関連特徴を形成するために、限界距離制約を導入する。 第3に,軟弱な先行ラベルを注入するソフトロスを考案し,合成画像が固定対象物に過度に収まらないようにした。
  論文  参考訳（メタデータ） (2021-11-17T14:17:19Z)
• Learning Topology from Synthetic Data for Unsupervised Depth Completion [66.26787962258346]
  画像から高密度深度マップとスパース深度測定を推定する手法を提案する。 我々は,疎点雲と密度の高い自然形状の関係を学習し,その画像を用いて予測深度マップの検証を行う。
  論文  参考訳（メタデータ） (2021-06-06T00:21:12Z)
• The Neural Tangent Link Between CNN Denoisers and Non-Local Filters [4.254099382808598]
  畳み込みニューラルネットワーク(CNN)は現在、計算画像問題を解決するための確立されたツールである。 ニューラルネットワークタンジェント(NTK)とよく知られた非局所フィルタリング技術によるネットワーク間の公式なリンクを導入する。 本研究は,広範囲な画像復号化実験により評価した。
  論文  参考訳（メタデータ） (2020-06-03T16:50:54Z)
• Compressive sensing with un-trained neural networks: Gradient descent finds the smoothest approximation [60.80172153614544]
  訓練されていない畳み込みニューラルネットワークは、画像の回復と復元に非常に成功したツールとして登場した。 トレーニングされていない畳み込みニューラルネットワークは、ほぼ最小限のランダムな測定値から、十分に構造化された信号や画像を概ね再構成可能であることを示す。
  論文  参考訳（メタデータ） (2020-05-07T15:57:25Z)

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。