論文の概要: Simplifying Full Waveform Inversion via Domain-Independent
Self-Supervised Learning
- arxiv url: http://arxiv.org/abs/2305.13314v1
- Date: Thu, 27 Apr 2023 17:59:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-28 05:10:27.937109
- Title: Simplifying Full Waveform Inversion via Domain-Independent
Self-Supervised Learning
- Title(参考訳): ドメイン非依存型自己教師付き学習による全波形インバージョンの簡易化
- Authors: Yinan Feng, Yinpeng Chen, Peng Jin, Shihang Feng, Zicheng Liu, Youzuo
Lin
- Abstract要約: 地震エンコーダと速度デコーダを複数のデータセット上でマスク画像モデリングにより別々に学習する,という2つのステップを含む新しいパラダイムであるSimFWIを開発した。
実験結果から,SimFWIはペア地震データと速度マップの監視から,共同で訓練したモデルに匹敵する結果が得られた。
- 参考スコア(独自算出の注目度): 21.43509030627468
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Geophysics has witnessed success in applying deep learning to one of its core
problems: full waveform inversion (FWI) to predict subsurface velocity maps
from seismic data. It is treated as an image-to-image translation problem,
jointly training an encoder for seismic data and a decoder for the velocity map
from seismic-velocity pairs. In this paper, we report a surprising phenomenon:
when training an encoder and decoder separately in their own domains via
self-supervised learning, a linear relationship is observed across domains in
the latent spaces. Moreover, this phenomenon connects multiple FWI datasets in
an elegant manner: these datasets can share the self-learned encoder and
decoder with different linear mappings.
Based on these findings, we develop SimFWI, a new paradigm that includes two
steps: (a) learning a seismic encoder and a velocity decoder separately by
masked image modeling over multiple datasets; (b) learning a linear mapping per
dataset. Experimental results show that SimFWI can achieve comparable results
to a jointly trained model from the supervision of paired seismic data and
velocity maps.
- Abstract(参考訳): 地球物理学は、地震データから地下の速度マップを予測するフルウェーブフォーム・インバージョン(FWI)という問題にディープラーニングを適用することに成功した。
画像から画像への変換問題として扱われ、地震データのエンコーダと地震速度対からの速度マップのデコーダを共同で訓練する。
本稿では,自己教師付き学習を通じて,エンコーダとデコーダをそれぞれのドメインで個別に訓練する場合,潜在空間の領域間で線形関係が観察されるという驚くべき現象を報告する。
さらに、この現象は複数のFWIデータセットをエレガントな方法で接続する:これらのデータセットは、異なる線形マッピングで自己学習エンコーダとデコーダを共有することができる。
これらの知見に基づき、我々は2つのステップを含む新しいパラダイムであるSimFWIを開発した。
a) 複数のデータセット上のマスキング画像モデリングにより,地震エンコーダと速度デコーダを別々に学習すること。
b) データセット毎の線形マッピングを学習する。
実験結果から,SimFWIはペア地震データと速度マップの監視から,共同で訓練したモデルに匹敵する結果が得られた。
関連論文リスト
- Radio Map Estimation -- An Open Dataset with Directive Transmitter
Antennas and Initial Experiments [49.61405888107356]
実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。
モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
論文 参考訳(メタデータ) (2024-01-12T14:56:45Z) - SVInvNet: A Densely Connected Encoder-Decoder Architecture for Seismic
Velocity Inversion [2.0257616108612373]
本研究では,高密度ブロックで拡張されたマルチコネクションエンコーダデコーダ構造を含む新しいアーキテクチャを提案する。
トレーニングとテストのために,多層構造,欠陥,および塩類分類を含む多様な地震波速度モデルを作成しました。
SVInvNetは750から6000のサンプルのデータセットでトレーニングされており、12,000のサンプルの大規模なベンチマークデータセットを使用してテストされている。
論文 参考訳(メタデータ) (2023-12-13T14:58:25Z) - Supervised Homography Learning with Realistic Dataset Generation [60.934401870005026]
生成フェーズとトレーニングフェーズの2つのフェーズからなる反復的なフレームワークを提案する。
生成段階では、ラベルのない画像対が与えられた場合、事前に推定された支配的な平面マスクとペアのホモグラフィを利用する。
トレーニングフェーズでは、生成されたデータを使用して、教師付きホモグラフィネットワークをトレーニングする。
論文 参考訳(メタデータ) (2023-07-28T07:03:18Z) - 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) - AI-assisted Automated Workflow for Real-time X-ray Ptychography Data
Analysis via Federated Resources [2.682578132719034]
大規模リモートコンピューティングリソースと組込みGPUプラットフォームをエッジに使用して,X線写真のために収集したデータのAI/ML高速化リアルタイム解析を可能にする,エンドツーエンドの自動ワークフローを提案する。
論文 参考訳(メタデータ) (2023-04-09T19:11:04Z) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文 参考訳(メタデータ) (2023-04-03T13:13:19Z) - Towards Scale Consistent Monocular Visual Odometry by Learning from the
Virtual World [83.36195426897768]
仮想データから絶対スケールを取得するための新しいフレームワークであるVRVOを提案する。
まず、モノクロ実画像とステレオ仮想データの両方を用いて、スケール対応の異種ネットワークをトレーニングする。
結果として生じるスケール一貫性の相違は、直接VOシステムと統合される。
論文 参考訳(メタデータ) (2022-03-11T01:51:54Z) - Positional Encoding Augmented GAN for the Assessment of Wind Flow for
Pedestrian Comfort in Urban Areas [0.41998444721319217]
本研究は,CFDを用いた3次元フローフィールドの計算から,建物のフットプリント上の2次元画像から画像への変換に基づく問題まで,歩行者の高さレベルでのフローフィールドの予測に至るまでの課題を言い換える。
本稿では,画像から画像への変換タスクの最先端を表現したPix2PixやCycleGANなど,GAN(Generative Adversarial Network)の利用について検討する。
論文 参考訳(メタデータ) (2021-12-15T19:37:11Z) - Unsupervised Learning of Full-Waveform Inversion: Connecting CNN and
Partial Differential Equation in a Loop [13.1144828613672]
フルウェーブフォーム・インバージョン(FWI)は、地震データから地下の速度マップを推定するために地球物理学で広く用いられている。
我々は、コミュニティにとってより困難なベンチマークを確立するために、新しい大規模データセットOpenFWIを紹介します。
実験結果から,我々のモデル(地震データのみを用いた)は,教師付きモデルと同等の精度が得られることがわかった。
論文 参考訳(メタデータ) (2021-10-14T17:47:22Z) - Self-Learning for Received Signal Strength Map Reconstruction with
Neural Architecture Search [63.39818029362661]
ニューラルアーキテクチャサーチ(NAS)と受信信号強度(RSS)マップ再構築のための自己学習に基づくモデルを提案する。
このアプローチは、まず最適なNNアーキテクチャを見つけ、与えられた(RSS)マップの地上実測値に対して同時に推論モデルを訓練する。
実験結果から,この第2モデルの信号予測は,非学習に基づく最先端技術や,アーキテクチャ探索を伴わないNNモデルよりも優れていた。
論文 参考訳(メタデータ) (2021-05-17T12:19:22Z) - Learning Bijective Feature Maps for Linear ICA [73.85904548374575]
画像データに適した既存の確率的深層生成モデル (DGM) は, 非線形ICAタスクでは不十分であることを示す。
そこで本研究では,2次元特徴写像と線形ICAモデルを組み合わせることで,高次元データに対する解釈可能な潜在構造を学習するDGMを提案する。
画像上のフローベースモデルや線形ICA、変分オートエンコーダよりも、高速に収束し、訓練が容易なモデルを作成し、教師なしの潜在因子発見を実現する。
論文 参考訳(メタデータ) (2020-02-18T17:58:07Z)
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。