論文の概要: ContrasInver: Ultra-Sparse Label Semi-supervised Regression for
Multi-dimensional Seismic Inversion
- arxiv url: http://arxiv.org/abs/2302.06441v3
- Date: Mon, 17 Jul 2023 14:13:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-18 23:19:15.225611
- Title: ContrasInver: Ultra-Sparse Label Semi-supervised Regression for
Multi-dimensional Seismic Inversion
- Title(参考訳): コントラストインバー:多次元地震インバージョンのための超スパースラベル半教師付き回帰
- Authors: Yimin Dou, Kewen Li, Wenjun Lv, Timing Li, Hongjie Duan, Zhifeng Xu
- Abstract要約: コントラインバー(ContrasInver)は、2、3個の井戸の丸太を用いて地震波の逆解析を行う手法である。
実験では、ContrasInverは合成データSEAM Iで最先端の性能を達成した。
オランダのF3とDelftでは,それぞれ3つと2つの井戸ログのみを使用して,信頼性の高い結果をもたらす,初めてのデータ駆動型アプローチである。
- 参考スコア(独自算出の注目度): 7.356328937024184
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The automated interpretation and inversion of seismic data have advanced
significantly with the development of Deep Learning (DL) methods. However,
these methods often require numerous costly well logs, limiting their
application only to mature or synthetic data. This paper presents ContrasInver,
a method that achieves seismic inversion using as few as two or three well
logs, significantly reducing current requirements. In ContrasInver, we propose
three key innovations to address the challenges of applying semi-supervised
learning to regression tasks with ultra-sparse labels. The Multi-dimensional
Sample Generation (MSG) technique pioneers a paradigm for sample generation in
multi-dimensional inversion. It produces a large number of diverse samples from
a single well, while establishing lateral continuity in seismic data. MSG
yields substantial improvements over current techniques, even without the use
of semi-supervised learning. The Region-Growing Training (RGT) strategy
leverages the inherent continuity of seismic data, effectively propagating
accuracy from closer to more distant regions based on the proximity of well
logs. The Impedance Vectorization Projection (IVP) vectorizes impedance values
and performs semi-supervised learning in a compressed space. We demonstrated
that the Jacobian matrix derived from this space can filter out some outlier
components in pseudo-label vectors, thereby solving the value confusion issue
in semi-supervised regression learning. In the experiments, ContrasInver
achieved state-of-the-art performance in the synthetic data SEAM I. In the
field data with two or three well logs, only the methods based on the
components proposed in this paper were able to achieve reasonable results. It's
the first data-driven approach yielding reliable results on the Netherlands F3
and Delft, using only three and two well logs respectively.
- Abstract(参考訳): 深層学習(DL)法の開発により, 地震データの自動解釈とインバージョンが大幅に進展した。
しかし、これらの手法は、しばしば多くのコストのかかる井戸ログを必要とし、そのアプリケーションは成熟または合成データに限られる。
本稿では,2つか3つの坑井による地震インバージョンを実現する手法であるcontrasinverについて述べる。
ContrasInverでは、半教師付き学習を超スパースラベルで回帰タスクに適用する際の課題に対処する3つの重要なイノベーションを提案する。
多次元サンプル生成(MSG)技術は多次元インバージョンにおけるサンプル生成のパラダイムを開拓した。
単一の井戸から多数の多様なサンプルを生成し、地震データに横方向の連続性を確立する。
msgは、半教師付き学習を使わずとも、現在の技術を大きく改善する。
地域成長訓練(英語版)(rgt)戦略は地震データの本質的な連続性を活用し、井戸ログの近接に基づいてより遠くの地域から精度を効果的に伝播させる。
インピーダンスベクトル化投影(IVP)はインピーダンス値をベクトル化し、圧縮空間で半教師付き学習を行う。
この空間から派生したヤコビ行列は擬ラベルベクトルの外部成分をフィルタリングし、半教師付き回帰学習における値混乱問題を解くことを実証した。
実験では、ContrasInverは合成データSEAM Iで最先端の性能を達成した。
2つか3つの well ログを持つフィールドデータでは,提案するコンポーネントに基づく手法のみが妥当な結果を得ることができた。
オランダのF3とDelftでは,それぞれ3つと2つの井戸ログのみを使用して,信頼性の高い結果をもたらす,初めてのデータ駆動型アプローチである。
関連論文リスト
- Towards Modality-agnostic Label-efficient Segmentation with Entropy-Regularized Distribution Alignment [62.73503467108322]
この話題は、3次元の点雲のセグメンテーションで広く研究されている。
近年まで、擬似ラベルは、限られた地道ラベルによる訓練を容易にするために広く用いられてきた。
既存の擬似ラベリングアプローチは、重複しないデータのノイズやバリエーションに悩まされる可能性がある。
本研究では,学習用擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭める学習戦略を提案する。
論文 参考訳(メタデータ) (2024-08-29T13:31:15Z) - MDM: Advancing Multi-Domain Distribution Matching for Automatic Modulation Recognition Dataset Synthesis [35.07663680944459]
ディープラーニング技術は、AMR(Automatic Modulation Recognition)タスクにうまく導入されている。
ディープラーニングの成功はすべて、大規模なデータセットのトレーニングによるものだ。
大量のデータの問題を解決するため、一部の研究者はデータ蒸留法を提唱した。
論文 参考訳(メタデータ) (2024-08-05T14:16:54Z) - All Points Matter: Entropy-Regularized Distribution Alignment for
Weakly-supervised 3D Segmentation [67.30502812804271]
擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。
本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
論文 参考訳(メタデータ) (2023-05-25T08:19:31Z) - MV-JAR: Masked Voxel Jigsaw and Reconstruction for LiDAR-Based
Self-Supervised Pre-Training [58.07391711548269]
Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training
Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training
論文 参考訳(メタデータ) (2023-03-23T17:59:02Z) - Are Negative Samples Necessary in Entity Alignment? An Approach with
High Performance, Scalability and Robustness [26.04006507181558]
本稿では,高パフォーマンス,高スケーラビリティ,高ロバスト性を実現する3つの新しいコンポーネントを持つ新しいEA手法を提案する。
提案手法の有効性と有効性を検討するために,いくつかの公開データセットについて詳細な実験を行った。
論文 参考訳(メタデータ) (2021-08-11T15:20:41Z) - Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。
ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。
マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
論文 参考訳(メタデータ) (2020-12-29T23:43:16Z) - Attentional-Biased Stochastic Gradient Descent [74.49926199036481]
深層学習におけるデータ不均衡やラベルノイズ問題に対処するための証明可能な手法(ABSGD)を提案する。
本手法は運動量SGDの簡易な修正であり,各試料に個別の重み付けを行う。
ABSGDは追加コストなしで他の堅牢な損失と組み合わせられるほど柔軟である。
論文 参考訳(メタデータ) (2020-12-13T03:41:52Z) - Unsupervised Learning of slow features for Data Efficient Regression [15.73372211126635]
本稿では、遅延表現に時間的類似性制約を適用した$beta$-VAEの拡張である、遅い変分オートエンコーダ(S-VAE)を提案する。
合成2次元球追跡データセットと、最近の学習環境からのデータセットとDeepMind Lab環境から生成されたデータセットを用いて、下流タスクのデータ効率に対する3つの手法を評価する。
論文 参考訳(メタデータ) (2020-12-11T12:19:45Z) - Understanding Self-supervised Learning with Dual Deep Networks [74.92916579635336]
本稿では,2組の深層ReLUネットワークを用いたコントラスト型自己教師学習(SSL)手法を理解するための新しい枠組みを提案する。
種々の損失関数を持つSimCLRの各SGD更新において、各層の重みは共分散演算子によって更新されることを示す。
共分散演算子の役割と、そのようなプロセスでどのような特徴が学習されるかをさらに研究するために、我々は、階層的潜在木モデル(HLTM)を用いて、データ生成および増大過程をモデル化する。
論文 参考訳(メタデータ) (2020-10-01T17:51:49Z)
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。