論文の概要: Automatic Velocity Picking Using a Multi-Information Fusion Deep Semantic Segmentation Network

• arxiv url: http://arxiv.org/abs/2205.03645v1
• Date: Sat, 7 May 2022 12:55:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-10 15:54:17.570005
• Title: Automatic Velocity Picking Using a Multi-Information Fusion Deep Semantic Segmentation Network
• Title（参考訳）: 多情報融合深部セマンティックセグメンテーションネットワークを用いた自動速度決定
• Authors: H.T.Wang, J.S.Zhang, Z.X.Zhao, C.X.Zhang, L.Li, Z.Y.Yang, W.F.Geng
• Abstract要約: 地震データ処理における重要なステップである速度抽出は、何十年にもわたって研究されてきた。 深層学習(DL)法は,中・高信号-雑音比(SNR)の地震データに対して良好な結果を得た。 速度スペクトルとスタック集合セグメントの融合情報から積み重ね速度を推定する多情報融合ネットワーク(MIFN)を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Velocity picking, a critical step in seismic data processing, has been studied for decades. Although manual picking can produce accurate normal moveout (NMO) velocities from the velocity spectra of prestack gathers, it is time-consuming and becomes infeasible with the emergence of large amount of seismic data. Numerous automatic velocity picking methods have thus been developed. In recent years, deep learning (DL) methods have produced good results on the seismic data with medium and high signal-to-noise ratios (SNR). Unfortunately, it still lacks a picking method to automatically generate accurate velocities in the situations of low SNR. In this paper, we propose a multi-information fusion network (MIFN) to estimate stacking velocity from the fusion information of velocity spectra and stack gather segments (SGS). In particular, we transform the velocity picking problem into a semantic segmentation problem based on the velocity spectrum images. Meanwhile, the information provided by SGS is used as a prior in the network to assist segmentation. The experimental results on two field datasets show that the picking results of MIFN are stable and accurate for the scenarios with medium and high SNR, and it also performs well in low SNR scenarios.
• Abstract（参考訳）: 地震データ処理における重要なステップである速度選択は、数十年にわたって研究されてきた。 手動ピッキングはプレスタックの速度スペクトルから正確なノーマル・ムーブアウト(nmo)速度を生成することができるが、大量の地震データが発生すると時間のかかるため実現不可能である。 多数の自動速度抽出法が開発されている。 近年,中・高信号-雑音比 (SNR) の地震データに対して, 深層学習 (DL) 法により良好な結果が得られた。 残念なことに、SNRの低い状況下で正確な速度を自動的に生成するピッキング方法がまだ欠けている。 本稿では,速度スペクトルとスタック集合セグメント(sgs)の融合情報からスタック速度を推定するマルチ情報融合ネットワーク(mifn)を提案する。 特に,速度抽出問題を速度スペクトル画像に基づく意味的セグメンテーション問題に変換する。 一方、SGSが提供する情報は、ネットワークの先行情報として、セグメンテーションを支援するために使用される。 2つのフィールドデータセットによる実験結果から,MIFNの抽出結果は中・高SNRシナリオに対して安定かつ正確であり,低SNRシナリオにおいても良好に動作することが示された。

関連論文リスト

• FastSTI: A Fast Conditional Pseudo Numerical Diffusion Model for Spatio-temporal Traffic Data Imputation [4.932317347331121]
  高時間トラフィックデータは、インテリジェントトランスポートシステム(ITS)とそのデータ駆動アプリケーションにとって不可欠である。 拡散確率モデルの最近の研究は、計算における深部生成モデルの優越性を証明している。 2種類の現実世界のトラフィックデータセットを高速に処理することで、高品質なサンプルをわずか6ステップでインプットできることが証明されている。
  論文  参考訳（メタデータ） (2024-10-20T01:45:51Z)
• A convolutional neural network approach to deblending seismic data [1.5488464287814563]
  本稿では,高速かつ効率的な地震探査のためのデータ駆動深層学習手法を提案する。 地震データの特徴に応じて畳み込みニューラルネットワーク(CNN)を設計する。 ネットワークのトレーニングと検証を行った後、ほぼリアルタイムで地震波のたわみを行うことができる。
  論文  参考訳（メタデータ） (2024-09-12T10:54:35Z)
• Automated classification of pre-defined movement patterns: A comparison between GNSS and UWB technology [55.41644538483948]
  リアルタイム位置情報システム(RTLS)は、人間の動きパターンからデータを収集することができる。 本研究の目的は、小さな領域における人間の動きパターンを分類する自動化された枠組みを設計し、評価することである。
  論文  参考訳（メタデータ） (2023-03-10T14:46:42Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• MSSPN: Automatic First Arrival Picking using Multi-Stage Segmentation Picking Network [12.68650763311407]
  地震データ処理において、手動ピッキングの効率は実際のニーズを満たすことができない。 本稿では,作業者間の一般化問題と,低SNRの場合のピック問題を解消するマルチステージピックアップネットワーク(MSSPN)を提案する。 提案手法は,中・高SNRにおけるワークライトの精度90%以上を達成でき,微調整モデルでさえ,低SNRのデータセットの精度88%を達成できる。
  論文  参考訳（メタデータ） (2022-09-07T13:30:51Z)
• Automatic Stack Velocity Picking Using an Unsupervised Ensemble Learning Method [0.0]
  ラベル付きデータへの依存と選択精度のバランスをとるために,Unsupervised Ensemble Learning (UEL) アプローチを提案する。 UELは、近くの速度スペクトルやその他の既知の情報源からのデータを利用して、効率的で合理的な速度ポイントを選定する。 UELは従来のクラスタリングベースの手法や広く使われている畳み込みニューラルネットワーク(CNN)手法よりも信頼性が高く正確である。
  論文  参考訳（メタデータ） (2022-05-07T12:58:04Z)
• Taking ROCKET on an Efficiency Mission: Multivariate Time Series Classification with LightWaveS [3.5786621294068373]
  正確な多変量時系列分類のためのフレームワークLightWaveSを提案する。 ROCKETの機能はわずか2.5%しか採用していないが、最近のディープラーニングモデルに匹敵する精度を実現している。 エッジデバイス上での推論において, ROCKETと比較して9倍から65倍のスピードアップを実現していることを示す。
  論文  参考訳（メタデータ） (2022-04-04T10:52:20Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
  我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。 我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。 私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
  論文  参考訳（メタデータ） (2020-11-17T12:52:18Z)
• FMA-ETA: Estimating Travel Time Entirely Based on FFN With Attention [88.33372574562824]
  フィードフォワードネットワーク(FFN, FFN, 複数要素自己認識(FMA-ETA)に基づく新しいフレームワークを提案する。 異なるカテゴリの特徴に対処し,情報を意図的に集約する,新しい多要素自己認識機構を提案する。 実験の結果、FMA-ETAは予測精度において最先端の手法と競合し、推論速度は大幅に向上した。
  論文  参考訳（メタデータ） (2020-06-07T08:10:47Z)
• A Generative Learning Approach for Spatio-temporal Modeling in Connected Vehicular Network [55.852401381113786]
  本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。 LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。 特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
  論文  参考訳（メタデータ） (2020-03-16T03:43:59Z)

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。