論文の概要: A hybrid approach to seismic deblending: when physics meets
self-supervision
- arxiv url: http://arxiv.org/abs/2205.15395v1
- Date: Mon, 30 May 2022 19:24:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-02 09:15:00.161685
- Title: A hybrid approach to seismic deblending: when physics meets
self-supervision
- Title(参考訳): ハイブリッド地震探査法--物理が自己スーパービジョンを満たすとき
- Authors: Nick Luiken and Matteo Ravasi and Claire E. Birnie
- Abstract要約: 自己教師型デノベーションネットワークをPlug-and-Playフレームワークに組み込んだ新しい概念を導入する。
部分的に相関する雑音に対する[28 ]の盲点ネットワークアーキテクチャを設計した新しいネットワークが導入された。
ネットワークは、教師付き時間アルゴリズムの各ステップでノイズの多い入力データに基づいて直接訓練される。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To limit the time, cost, and environmental impact associated with the
acquisition of seismic data, in recent decades considerable effort has been put
into so-called simultaneous shooting acquisitions, where seismic sources are
fired at short time intervals between each other. As a consequence, waves
originating from consecutive shots are entangled within the seismic recordings,
yielding so-called blended data. For processing and imaging purposes, the data
generated by each individual shot must be retrieved. This process, called
deblending, is achieved by solving an inverse problem which is heavily
underdetermined. Conventional approaches rely on transformations that render
the blending noise into burst-like noise, whilst preserving the signal of
interest. Compressed sensing type regularization is then applied, where
sparsity in some domain is assumed for the signal of interest. The domain of
choice depends on the geometry of the acquisition and the properties of seismic
data within the chosen domain. In this work, we introduce a new concept that
consists of embedding a self-supervised denoising network into the
Plug-and-Play (PnP) framework. A novel network is introduced whose design
extends the blind-spot network architecture of [28 ] for partially coherent
noise (i.e., correlated in time). The network is then trained directly on the
noisy input data at each step of the PnP algorithm. By leveraging both the
underlying physics of the problem and the great denoising capabilities of our
blind-spot network, the proposed algorithm is shown to outperform an
industry-standard method whilst being comparable in terms of computational
cost. Moreover, being independent on the acquisition geometry, our method can
be easily applied to both marine and land data without any significant
modification.
- Abstract(参考訳): 地震データの取得に伴う時間、コスト、環境への影響を制限するため、近年では、地震源を短時間の間隔で発射する、いわゆる同時射撃取得に多大な努力が払われている。
その結果、連続ショットから発せられる波は、地震記録内に絡み合わされ、いわゆる混合データとなる。
処理とイメージングの目的では、個々のショットで生成されたデータを取得する必要がある。
このプロセスはdeblendingと呼ばれ、非常に過小評価されている逆問題の解法によって達成される。
従来のアプローチでは、混合ノイズをバーストのようなノイズに変換しながら、関心のシグナルを保ちながら変換する。
圧縮センシング型正規化が適用され、ある領域の空間が関心の信号として仮定される。
選択の領域は、選択された領域内での取得の幾何学と地震データの特性に依存する。
本研究では,自己教師型認知ネットワークをPlug-and-Play(PnP)フレームワークに組み込んだ新しい概念を提案する。
部分的コヒーレントノイズ(時間的相関)に対する[28 ]の盲点ネットワークアーキテクチャを設計した新しいネットワークが導入された。
ネットワークはPnPアルゴリズムの各ステップでノイズの多い入力データに基づいて直接訓練される。
問題の基礎となる物理と盲点ネットワークの偉大な認知能力の両面から,提案アルゴリズムは計算コストの面で比較しながら,業界標準の手法より優れていることを示す。
また, 取得幾何に依存せず, 海洋データと陸地データの両方に対して, 大幅な修正を加えることなく容易に適用できる。
関連論文リスト
- 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) - PINNslope: seismic data interpolation and local slope estimation with
physics informed neural networks [2.3895981099137535]
余剰地震データの補間は, 地震処理ワークフローにおける重要なステップである。
物理情報ニューラルネットワーク(PINN)を用いて地震データを補間する手法を提案する。
論文 参考訳(メタデータ) (2023-05-25T12:29:28Z) - MAPS: A Noise-Robust Progressive Learning Approach for Source-Free
Domain Adaptive Keypoint Detection [76.97324120775475]
クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。
本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
論文 参考訳(メタデータ) (2023-02-09T12:06:08Z) - 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) - Adversarial contamination of networks in the setting of vertex
nomination: a new trimming method [5.915837770869619]
スペクトルグラフの埋め込みは、アルゴリズムの性能とフレキシブルな設定を提供する。
ブロック構造汚染とホワイトノイズ汚染の両方に対処できるモデル空間で動作する新しいトリミング法を提案する。
このモデルトリミングは理論解析に適しており、多くのシミュレーションにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2022-08-20T15:32:04Z) - Deep Equilibrium Assisted Block Sparse Coding of Inter-dependent
Signals: Application to Hyperspectral Imaging [71.57324258813675]
相互依存信号のデータセットは、列が強い依存を示す行列として定義される。
ニューラルネットワークは、事前に構造として機能し、基礎となる信号相互依存性を明らかにするために使用される。
ディープ・アンローリングとディープ・平衡に基づくアルゴリズムが開発され、高度に解釈可能で簡潔なディープ・ラーニング・ベース・アーキテクチャを形成する。
論文 参考訳(メタデータ) (2022-03-29T21:00:39Z) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳(メタデータ) (2021-11-30T18:42:42Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳(メタデータ) (2021-11-03T03:50:48Z) - The potential of self-supervised networks for random noise suppression
in seismic data [0.0]
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。
論文 参考訳(メタデータ) (2021-09-15T14:57:43Z) - Forecasting Sequential Data using Consistent Koopman Autoencoders [52.209416711500005]
クープマン理論に関連する新しい物理学に基づく手法が導入された。
本稿では,既存の作業の多くと異なり,前方・後方のダイナミクスを生かした新しいコンシスタント・クープマン・オートエンコーダモデルを提案する。
このアプローチの鍵となるのは、一貫性のある力学と関連するクープマン作用素との相互作用を探索する新しい解析である。
論文 参考訳(メタデータ) (2020-03-04T18:24:30Z) - Temporal-Spatial Neural Filter: Direction Informed End-to-End
Multi-channel Target Speech Separation [66.46123655365113]
ターゲット音声分離とは、混合信号からターゲット話者の音声を抽出することを指す。
主な課題は、複雑な音響環境とリアルタイム処理の要件である。
複数話者混合から対象音声波形を直接推定する時間空間ニューラルフィルタを提案する。
論文 参考訳(メタデータ) (2020-01-02T11:12:50Z)
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。