論文の概要: Automatic Velocity Picking Using Unsupervised Ensemble Learning
- arxiv url: http://arxiv.org/abs/2205.08372v1
- Date: Sat, 7 May 2022 12:58:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-22 11:39:24.167813
- Title: Automatic Velocity Picking Using Unsupervised Ensemble Learning
- Title(参考訳): 教師なしアンサンブル学習による自動速度選択
- Authors: H.T. Wang, J.S. Zhang, C.X. Zhang, Z.X. Zhao, C.L. Tan, Z.Y. Yang,
W.F. Geng
- Abstract要約: 地震データ処理では,高精度かつ効率的な自動速度抽出アルゴリズムが処理を著しく高速化することができる。
本稿では,スペクトル上でのルート平均二乗(RMS)速度を選択するために,教師なしアンサンブル学習(UEL)手法を提案する。
UELは、近くの速度スペクトルと最も近いシード速度曲線の情報を用いて、有効かつ合理的な速度点の選択を支援する。
- 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: In seismic data processing, accurate and efficient automatic velocity picking
algorithms can significantly accelerate the processing, and the main branch is
to use velocity spectra for velocity pickup. Recently, machine learning
algorithms have been widely used in automatic spectrum picking. Even though
deep learning methods can address the problem well in supervised cases, they
are often accompanied by expensive computational costs and low
interpretability. On the contrast, unsupervised learning methods based on the
physical knowledge have great potential to efficiently resolve the task. In
this paper, we propose an unsupervised ensemble learning (UEL) method to pick
the root mean square (RMS) velocities on the spectrum. In particular, UEL
utilizes the information of nearby velocity spectra and the nearest seed
velocity curve to assist the selection of effective and reasonable velocity
points. To increase the coherence of energy peaks, an information gain method
is developed by local normalization. In addition, we designed the attention
scale-space filter (ASSF) clustering method to incorporate the coherence
information into the picking process. Experiments on three datasets demonstrate
that compared to traditional clustering methods, UEL can recognize energy
clusters better, especially with smaller blobs. Moreover, the injection of
nearby spectra and interval velocity constraint in UEL significantly improves
the robustness and accuracy of picking results.
- Abstract(参考訳): 地震データ処理では, 高精度かつ効率的な自動速度抽出アルゴリズムが処理を著しく高速化し, メインブランチは速度分析に速度スペクトルを用いる。
近年,自動スペクトル抽出に機械学習アルゴリズムが広く用いられている。
深層学習手法は教師付きケースでは問題にうまく対処できるが、高価な計算コストと低い解釈可能性を伴うことが多い。
対照的に、物理知識に基づく教師なし学習手法は、タスクを効率的に解決する大きな可能性を秘めている。
本稿では,スペクトル上でのルート平均二乗(RMS)速度を選択するために,教師なしアンサンブル学習(UEL)手法を提案する。
特に、UELは近くの速度スペクトルと最も近いシード速度曲線の情報を利用して、有効かつ合理的な速度点の選択を支援する。
エネルギーピークのコヒーレンスを高めるため,局所正規化により情報ゲイン法を開発した。
さらに,コヒーレンス情報をピッキングプロセスに組み込むために,注意スケール空間フィルタ(ASSF)クラスタリング法を設計した。
3つのデータセットの実験では、従来のクラスタリング法と比較して、UELは特に小さなブロブで、エネルギークラスタをよりよく認識することができる。
また, 近傍スペクトルの注入とuelの間隔速度制約により, ピッキング結果のロバスト性, 精度が著しく向上した。
関連論文リスト
- Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。
大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
論文 参考訳(メタデータ) (2023-10-09T14:30:06Z) - FedLALR: Client-Specific Adaptive Learning Rates Achieve Linear Speedup
for Non-IID Data [54.81695390763957]
フェデレートラーニング(Federated Learning)は、分散機械学習の手法である。
我々は,AMSGradの異種局所変種であるFedLALRを提案し,各クライアントが学習率を調整する。
クライアントが指定した自動調整型学習率スケジューリングが,クライアント数に対して収束し,線形高速化を実現することを示す。
論文 参考訳(メタデータ) (2023-09-18T12:35:05Z) - Deep Spatiotemporal Clustering: A Temporal Clustering Approach for
Multi-dimensional Climate Data [0.353122873734926]
教師なし深層学習法を用いて,データの高次元時間表現のための新しいアルゴリズムを提案する。
U-netアーキテクチャにインスパイアされたアルゴリズムでは,CNN-RNN層を統合したオートエンコーダを用いて潜在表現を学習する。
実験の結果,従来のクラスタリングアルゴリズムと深層学習に基づくクラスタリングアルゴリズムのどちらよりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-04-27T21:45:21Z) - Direct Localization in Underwater Acoustics via Convolutional Neural
Networks: A Data-Driven Approach [31.399611901926583]
ダイレクトローカライゼーション(DLOC)法は、一般的に間接的な2段階法よりも優れている。
水中音響DLOC法は環境の事前の知識を必要とする。
そこで本研究では,データ駆動型DLOC法を提案する。
論文 参考訳(メタデータ) (2022-07-20T22:40:11Z) - Pushing the Limits of Learning-based Traversability Analysis for
Autonomous Driving on CPU [1.841057463340778]
本稿では,リアルタイム機械学習に基づくトラバーサビリティ分析手法の提案と評価を行う。
新しい幾何学的特徴と視覚的特徴を統合し、重要な実装の詳細に焦点を当てることで、パフォーマンスと信頼性が著しく向上することを示します。
提案手法は、屋外運転シナリオのパブリックデータセットに関する最先端のDeep Learningアプローチと比較されている。
論文 参考訳(メタデータ) (2022-06-07T07:57:34Z) - Automatic Velocity Picking Using a Multi-Information Fusion Deep
Semantic Segmentation Network [0.0]
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。
論文 参考訳(メタデータ) (2022-05-07T12:55:13Z) - Efficient Few-Shot Object Detection via Knowledge Inheritance [62.36414544915032]
Few-shot Object Detection (FSOD) は、未確認のタスクに少ないトレーニングサンプルで適応できるジェネリック検出器を学習することを目的としている。
計算量の増加を伴わない効率的なプレトレイン・トランスファー・フレームワーク(PTF)のベースラインを提案する。
また,予測された新しいウェイトと事前訓練されたベースウェイトとのベクトル長の不整合を軽減するために,適応長再スケーリング(ALR)戦略を提案する。
論文 参考訳(メタデータ) (2022-03-23T06:24:31Z) - Efficient training of lightweight neural networks using Online
Self-Acquired Knowledge Distillation [51.66271681532262]
オンライン自己獲得知識蒸留(OSAKD)は、ディープニューラルネットワークの性能をオンライン的に向上することを目的としている。
出力特徴空間におけるデータサンプルの未知確率分布を推定するために、k-nnノンパラメトリック密度推定手法を用いる。
論文 参考訳(メタデータ) (2021-08-26T14:01:04Z) - Straggler-Resilient Federated Learning: Leveraging the Interplay Between
Statistical Accuracy and System Heterogeneity [57.275753974812666]
フェデレーション学習は、データをローカルに保持しながら、クライアントのネットワークに分散したデータサンプルから学習する。
本稿では,学習手順を高速化するために,クライアントデータの統計的特徴を取り入れてクライアントを適応的に選択する,ストラグラー・レジリエントなフェデレーション学習手法を提案する。
論文 参考訳(メタデータ) (2020-12-28T19:21:14Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳(メタデータ) (2020-08-05T19:29:35Z) - A Deep Unsupervised Feature Learning Spiking Neural Network with
Binarized Classification Layers for EMNIST Classification using SpykeFlow [0.0]
二成分アクティベーションを用いたスパイクタイミング依存塑性(STDP)の教師なし学習技術は、スパイク入力データから特徴を抽出するために用いられる。
バランスの取れたEMNISTデータセットに対するアキュラシーは、他のアプローチと好意的に比較した。
論文 参考訳(メタデータ) (2020-02-26T23:47:35Z)
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。