論文の概要: MSSPN: Automatic First Arrival Picking using Multi-Stage Segmentation
Picking Network
- arxiv url: http://arxiv.org/abs/2209.03132v1
- Date: Wed, 7 Sep 2022 13:30:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-08 13:01:34.633599
- Title: MSSPN: Automatic First Arrival Picking using Multi-Stage Segmentation
Picking Network
- Title（参考訳）: msspn:多段セグメンテーションピッキングネットワークを用いた第1段階自動ピッキング
- Authors: Hongtao Wang, Jiangshe Zhang, Xiaoli Wei, Chunxia Zhang, Zhenbo Guo,
Li Long and Yicheng Wang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 12.68650763311407
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Picking the first arrival times of prestack gathers is called First Arrival
Time (FAT) picking, which is an indispensable step in seismic data processing,
and is mainly solved manually in the past. With the current increasing density
of seismic data collection, the efficiency of manual picking has been unable to
meet the actual needs. Therefore, automatic picking methods have been greatly
developed in recent decades, especially those based on deep learning. However,
few of the current supervised deep learning-based method can avoid the
dependence on labeled samples. Besides, since the gather data is a set of
signals which are greatly different from the natural images, it is difficult
for the current method to solve the FAT picking problem in case of a low Signal
to Noise Ratio (SNR). In this paper, for hard rock seismic gather data, we
propose a Multi-Stage Segmentation Pickup Network (MSSPN), which solves the
generalization problem across worksites and the picking problem in the case of
low SNR. In MSSPN, there are four sub-models to simulate the manually picking
processing, which is assumed to four stages from coarse to fine. Experiments on
seven field datasets with different qualities show that our MSSPN outperforms
benchmarks by a large margin.Particularly, our method can achieve more than
90\% accurate picking across worksites in the case of medium and high SNRs, and
even fine-tuned model can achieve 88\% accurate picking of the dataset with low
SNR.
- Abstract（参考訳）: プレスタックの最初の到着時刻の選定は、地震データ処理において必須のステップであるFAT(First Arrival Time)ピッキングと呼ばれ、主に過去に手作業で解決された。
現在の地震データ収集密度の増加に伴い、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かった。
そのため,近年,特に深層学習に基づく自動抽出手法が盛んに開発されている。
しかし、現在の教師付きディープラーニングベースの手法では、ラベル付きサンプルへの依存を回避できるものはほとんどない。
また、収集データは自然画像と大きく異なる信号の集合であるため、低信号対雑音比(SNR)の場合、現在の手法ではFAT選択問題を解くことは困難である。
本稿では, 岩盤群集データに対して, 作業員間の一般化問題と低SNRの場合のピック問題を解くマルチステージセグメンテーション・ピック・ネットワーク(MSSPN)を提案する。
MSSPNでは、手動のピック処理をシミュレートする4つのサブモデルがあり、これは粗いものから細かいものまで4段階と仮定される。
異なる特性を持つ7つのフィールドデータセットの実験により、我々のMSSPNはベンチマークを大きなマージンで上回り、特に、中・高SNRにおけるワークライトの正確なピッキングを90%以上達成でき、微調整モデルでさえ、SNRの低いデータセットの88%の正確なピッキングを達成できます。
関連論文リスト
- TraceMesh: Scalable and Streaming Sampling for Distributed Traces [51.08892669409318]
TraceMeshは、分散トレースのためのスケーラブルでストリーミングなサンプリングツールである。
以前は見つからなかったトレース機能を、統一的で合理化された方法で扱える。
TraceMeshは、サンプリング精度と効率の両方において、最先端の手法よりも大幅に優れている。
論文 参考訳（メタデータ） (2024-06-11T06:13:58Z) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z) - SEMRes-DDPM: Residual Network Based Diffusion Modelling Applied to
Imbalanced Data [9.969882349165745]
データマイニングと機械学習の分野では、一般的に使われている分類モデルは、不均衡なデータで効果的に学習することはできない。
古典的なオーバーサンプリング手法の多くは、データのローカル情報のみに焦点を当てたSMOTE技術に基づいている。
本稿では,SEMRes-DDPMのオーバーサンプリング手法を提案する。
論文 参考訳（メタデータ） (2024-03-09T14:01:04Z) - A hybrid IndRNNLSTM approach for real-time anomaly detection in
software-defined networks [0.0]
データフロー予測を用いたSDNの異常検出は難しい作業である。
IndRNNLSTMアルゴリズムは Embedded と組み合わせて、NSL-KDDデータ上で MAE=1.22 と RMSE=9.92 を達成することができた。
論文 参考訳（メタデータ） (2024-02-02T20:41:55Z) - Spanning Training Progress: Temporal Dual-Depth Scoring (TDDS) for Enhanced Dataset Pruning [50.809769498312434]
我々は、時間的デュアルディープス・スコーリング(TDDS)と呼ばれる新しいデータセット・プルーニング手法を提案する。
本手法は,10%のトレーニングデータで54.51%の精度を達成し,ランダム選択を7.83%以上,他の比較手法を12.69%以上上回る結果を得た。
論文 参考訳（メタデータ） (2023-11-22T03:45:30Z) - Repeated Random Sampling for Minimizing the Time-to-Accuracy of Learning [28.042568086423298]
ランダム・サブセットの繰り返しサンプリング(RS2)は、強力だが見落とされたランダムサンプリング戦略である。
我々は、ImageNetを含む4つのデータセットにわたる30の最先端データプルーニングとデータ蒸留法に対してRS2をテストする。
その結果,RS2は既存の手法に比べて時間と精度を著しく低下させることがわかった。
論文 参考訳（メタデータ） (2023-05-28T20:38:13Z) - 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) - A Free Lunch to Person Re-identification: Learning from Automatically
Generated Noisy Tracklets [52.30547023041587]
非教師付きビデオベース再識別(re-ID)手法は、re-IDデータセットのアノテートに必要な高コストの問題を解決するために提案されている。
しかし、彼らのパフォーマンスは監督対象よりもはるかに低い。
本稿では,自動生成人追跡装置から再IDモデルを学習することで,この問題に対処することを提案する。
論文 参考訳（メタデータ） (2022-04-02T16:18:13Z) - Identifying Training Stop Point with Noisy Labeled Data [0.0]
テスト精度(MOTA)に近いトレーニング停止点(TSP)を見つけるためのアルゴリズムを開発しています。
我々は,CIFAR-10,CIFAR-100,実世界の雑音データを用いて,アルゴリズム(AutoTSP)のロバスト性を検証した。
論文 参考訳（メタデータ） (2020-12-24T20:07:30Z) - 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) - Fast accuracy estimation of deep learning based multi-class musical
source separation [79.10962538141445]
本稿では,ニューラルネットワークのトレーニングやチューニングを行うことなく,任意のデータセットにおける楽器の分離性を評価する手法を提案する。
理想的な比マスクを持つオラクルの原理に基づいて、我々の手法は最先端のディープラーニング手法の分離性能を推定するための優れたプロキシである。
論文 参考訳（メタデータ） (2020-10-19T13:05:08Z)
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。