論文の概要: Transfer learning for self-supervised, blind-spot seismic denoising
- arxiv url: http://arxiv.org/abs/2209.12210v1
- Date: Sun, 25 Sep 2022 12:58:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 18:03:41.433069
- Title: Transfer learning for self-supervised, blind-spot seismic denoising
- Title（参考訳）: 自己監督型盲点地震観測のための移動学習
- Authors: Claire Birnie and Tariq Alkhalifah
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Noise in seismic data arises from numerous sources and is continually
evolving. The use of supervised deep learning procedures for denoising of
seismic datasets often results in poor performance: this is due to the lack of
noise-free field data to act as training targets and the large difference in
characteristics between synthetic and field datasets. Self-supervised,
blind-spot networks typically overcome these limitation by training directly on
the raw, noisy data. However, such networks often rely on a random noise
assumption, and their denoising capabilities quickly decrease in the presence
of even minimally-correlated noise. Extending from blind-spots to blind-masks
can efficiently suppress coherent noise along a specific direction, but it
cannot adapt to the ever-changing properties of noise. To preempt the network's
ability to predict the signal and reduce its opportunity to learn the noise
properties, we propose an initial, supervised training of the network on a
frugally-generated synthetic dataset prior to fine-tuning in a self-supervised
manner on the field dataset of interest. Considering the change in peak
signal-to-noise ratio, as well as the volume of noise reduced and signal
leakage observed, we illustrate the clear benefit in initialising the
self-supervised network with the weights from a supervised base-training. This
is further supported by a test on a field dataset where the fine-tuned network
strikes the best balance between signal preservation and noise reduction.
Finally, the use of the unrealistic, frugally-generated synthetic dataset for
the supervised base-training includes a number of benefits: minimal prior
geological knowledge is required, substantially reduced computational cost for
the dataset generation, and a reduced requirement of re-training the network
should recording conditions change, to name a few.
- Abstract（参考訳）: 地震データのノイズは多くの源から発生し、継続的に進化している。
これは、トレーニングターゲットとして振る舞うノイズのないフィールドデータの欠如と、合成データセットとフィールドデータセット間の特性の差が大きいためである。
自己監督型盲点ネットワークは通常、生のノイズの多いデータを直接トレーニングすることで、これらの制限を克服する。
しかし、そのようなネットワークは、しばしばランダムノイズの仮定に依存しており、そのノイズ発生能力は、最小限の相関ノイズの存在下で急速に低下する。
ブラインドスポットからブラインドマスクへの拡張は、特定の方向に沿ってコヒーレントノイズを効率的に抑制することができるが、ノイズの不変性には適応できない。
そこで本研究では,信号の予測能力やノイズ特性の学習機会の低減を前提として,関心のフィールドデータセットを自己監督的に微調整する前に,手動で生成した合成データセット上でネットワークを訓練する手法を提案する。
ピーク信号対雑音比の変化,ノイズ低減量,信号漏洩量を考慮すると,教師付きベーストレーナーの重みで自己教師付きネットワークを初期化することの明らかな利点を示す。
これは、微調整されたネットワークが信号保存と雑音低減の最良のバランスをとるフィールドデータセットのテストによってさらに支持される。
最後に、教師付きベーストレーニングのための非現実的な合成データセットの使用には、次のようなメリットがある。 最小限の事前地質知識が必要であり、データセット生成の計算コストが大幅に削減され、ネットワークの再トレーニングの要件が減少する 条件の変更を記録する必要がある。
関連論文リスト
- Effective Noise-aware Data Simulation for Domain-adaptive Speech Enhancement Leveraging Dynamic Stochastic Perturbation [25.410770364140856]
クロスドメイン音声強調(SE)は、目に見えない対象領域におけるノイズや背景情報の不足により、しばしば深刻な課題に直面している。
本研究では,ノイズ抽出技術とGANを利用した新しいデータシミュレーション手法を提案する。
本研究では,動的摂動の概念を導入し,制御された摂動を推論中の雑音埋め込みに注入する。
論文 参考訳（メタデータ） (2024-09-03T02:29:01Z) - Learning with Noisy Foundation Models [95.50968225050012]
本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。
雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
論文 参考訳（メタデータ） (2024-03-11T16:22:41Z) - Understanding and Mitigating the Label Noise in Pre-training on
Downstream Tasks [91.15120211190519]
本稿では、事前学習データセットにおけるノイズの性質を理解し、下流タスクへの影響を軽減することを目的とする。
雑音の悪影響を軽減するために特徴空間に適応する軽量ブラックボックスチューニング法(NMTune)を提案する。
論文 参考訳（メタデータ） (2023-09-29T06:18:15Z) - 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) - Latent Class-Conditional Noise Model [54.56899309997246]
本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。
次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。
提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
論文 参考訳（メタデータ） (2023-02-19T15:24:37Z) - On-the-fly Denoising for Data Augmentation in Natural Language
Understanding [101.46848743193358]
よりクリーンなオリジナルデータに基づいて訓練された有機教師モデルによって提供されるソフトな拡張ラベルから学習する,データ拡張のためのオンザフライデノケーション手法を提案する。
本手法は,一般的な拡張手法に適用でき,テキスト分類と質問応答の両タスクの性能を一貫して向上させることができる。
論文 参考訳（メタデータ） (2022-12-20T18:58:33Z) - Weak-signal extraction enabled by deep-neural-network denoising of
diffraction data [26.36525764239897]
深層畳み込みニューラルネットワークを用いて、データの復号化を図示する。
ノイズの多いデータでは、電荷の順序から生じる弱信号が可視化され、精度が向上することを示す。
論文 参考訳（メタデータ） (2022-09-19T14:43:01Z) - Removing Noise from Extracellular Neural Recordings Using Fully
Convolutional Denoising Autoencoders [62.997667081978825]
ノイズの多いマルチチャネル入力からクリーンなニューロン活動信号を生成することを学習する完全畳み込みデノイングオートエンコーダを提案する。
シミュレーションデータを用いた実験結果から,提案手法はノイズ崩壊型ニューラルネットワークの品質を大幅に向上させることができることがわかった。
論文 参考訳（メタデータ） (2021-09-18T14:51:24Z) - 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) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - Joint self-supervised blind denoising and noise estimation [0.0]
2つのニューラルネットワークが共同でクリーンシグナルを予測し、ノイズ分布を推定する。
本モデルがノイズ分布を効率的に捉える合成ノイズデータを用いた実証実験を行います。
論文 参考訳（メタデータ） (2021-02-16T08:37:47Z)
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。