論文の概要: PINNslope: seismic data interpolation and local slope estimation with
physics informed neural networks
- arxiv url: http://arxiv.org/abs/2305.15990v2
- Date: Sat, 9 Dec 2023 12:13:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-13 02:47:34.839230
- Title: PINNslope: seismic data interpolation and local slope estimation with
physics informed neural networks
- Title（参考訳）: PINNスロープ:物理情報ニューラルネットワークによる地震データ補間と局所斜面推定
- Authors: Francesco Brandolin, Matteo Ravasi and Tariq Alkhalifah
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.3895981099137535
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Interpolation of aliased seismic data constitutes a key step in a seismic
processing workflow to obtain high quality velocity models and seismic images.
Building on the idea of describing seismic wavefields as a superposition of
local plane waves, we propose to interpolate seismic data by utilizing a
physics informed neural network (PINN). In the proposed framework, two
feed-forward neural networks are jointly trained using the local plane wave
differential equation as well as the available data as two terms in the
objective function: a primary network assisted by positional encoding is tasked
with reconstructing the seismic data, whilst an auxiliary, smaller network
estimates the associated local slopes. Results on synthetic and field data
validate the effectiveness of the proposed method in handling aliased (coarsely
sampled) data and data with large gaps. Our method compares favorably against a
classic least-squares inversion approach regularized by the local plane-wave
equation as well as a PINN-based approach with a single network and
pre-computed local slopes. We find that introducing a second network to
estimate the local slopes whilst at the same time interpolating the aliased
data enhances the overall reconstruction capabilities and convergence behavior
of the primary network. Moreover, an additional positional encoding layer
embedded as the first layer of the wavefield network confers to the network the
ability to converge faster improving the accuracy of the data term.
- Abstract（参考訳）: aliased seismic data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り、高品質の速度モデルと地震画像を得る。
地表面波の重ね合わせとして地震波場を記述するアイデアに基づいて,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。
提案フレームワークでは,2つのフィードフォワードニューラルネットワークを,局所平面波動微分方程式と使用可能なデータを目的関数の2つの項として,共同でトレーニングする。
合成データとフィールドデータの結果は, 粗いサンプルデータと大きなギャップを持つデータを扱う上で, 提案手法の有効性を検証した。
本手法は,局所平面波方程式によって正規化された古典的最小二乗逆解析手法と,単一ネットワークと事前計算された局所勾配を用いたピンベースアプローチとを好適に比較する。
第2のネットワークを導入して局所斜面を推定し,同時にエイリアスデータを補間することで,一次ネットワーク全体の復元能力と収束挙動が向上することがわかった。
さらに、ウェーブフィールドネットワークの第1層として埋め込まれた付加的な位置符号化層は、データ項の精度をより速く収束させる能力をネットワークに与える。
関連論文リスト
- A Subsampling Based Neural Network for Spatial Data [0.0]
本稿では、空間データに対する一貫した局所化された2層ディープニューラルネットワークに基づく回帰を提案する。
観測されたデータと予測されたデータの経験的確率分布の差分尺度の収束率を実験的に観察し、より滑らかな空間表面ではより高速になる。
この応用は非線形空間回帰の効果的な例である。
論文 参考訳（メタデータ） (2024-11-06T02:37:43Z) - A convolutional neural network approach to deblending seismic data [1.5488464287814563]
本稿では,高速かつ効率的な地震探査のためのデータ駆動深層学習手法を提案する。
地震データの特徴に応じて畳み込みニューラルネットワーク(CNN)を設計する。
ネットワークのトレーニングと検証を行った後、ほぼリアルタイムで地震波のたわみを行うことができる。
論文 参考訳（メタデータ） (2024-09-12T10:54:35Z) - Mesh Denoising Transformer [104.5404564075393]
Mesh Denoisingは、入力メッシュからノイズを取り除き、特徴構造を保存することを目的としている。
SurfaceFormerはTransformerベースのメッシュDenoisingフレームワークのパイオニアだ。
局所曲面記述子(Local Surface Descriptor)として知られる新しい表現は、局所幾何学的複雑さをキャプチャする。
Denoising Transformerモジュールは、マルチモーダル情報を受信し、効率的なグローバル機能アグリゲーションを実現する。
論文 参考訳（メタデータ） (2024-05-10T15:27:43Z) - Subspace Perturbation Analysis for Data-Driven Radar Target Localization [20.34399283905663]
我々は、サブスペース分析を用いて、ミスマッチしたシナリオ間でレーダーターゲットのローカライゼーション精度をベンチマークする。
ミスマッチした制約領域に変動強度のターゲットをランダムに配置することで、包括的データセットを生成する。
畳み込みニューラルネットワークを用いて,これらの熱マップテンソルからターゲット位置を推定する。
論文 参考訳（メタデータ） (2023-03-14T21:22:26Z) - An Adaptive and Stability-Promoting Layerwise Training Approach for Sparse Deep Neural Network Architecture [0.0]
この研究は、与えられたトレーニングデータセットに対してうまく一般化するディープニューラルネットワーク(DNN)アーキテクチャを開発するための2段階適応フレームワークを提案する。
第1段階では、新しいレイヤを毎回追加し、前のレイヤでパラメータを凍結することで独立してトレーニングする、レイヤワイズトレーニングアプローチが採用されている。
本稿では, 学習アルゴリズムの望ましい特性として, エプシロン・デルタ安定促進の概念を導入し, 多様体正規化を用いることで, エプシロン・デルタ安定促進アルゴリズムが得られることを示す。
論文 参考訳（メタデータ） (2022-11-13T09:51:16Z) - Radar Image Reconstruction from Raw ADC Data using Parametric
Variational Autoencoder with Domain Adaptation [0.0]
本研究では,パラメータ制約付き変分オートエンコーダを提案し,レンジ角画像上でクラスタ化および局所化されたターゲット検出を生成する。
実際のレーダデータを用いて可能なすべてのシナリオにおいて,提案するニューラルネットワークをトレーニングする問題を回避すべく,ドメイン適応戦略を提案する。
論文 参考訳（メタデータ） (2022-05-30T16:17:36Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Optimization-Based Separations for Neural Networks [57.875347246373956]
本研究では,2層のシグモダルアクティベーションを持つディープ2ニューラルネットワークを用いて,ボールインジケータ関数を効率よく学習できることを示す。
これは最適化に基づく最初の分離結果であり、より強力なアーキテクチャの近似の利点は、実際に確実に現れる。
論文 参考訳（メタデータ） (2021-12-04T18:07:47Z) - LocalDrop: A Hybrid Regularization for Deep Neural Networks [98.30782118441158]
本稿では,ローカルラデマチャー複雑性を用いたニューラルネットワークの正規化のための新しい手法であるLocalDropを提案する。
フルコネクテッドネットワーク(FCN)と畳み込みニューラルネットワーク(CNN)の両方のための新しい正規化機能は、ローカルラデマチャー複雑さの上限提案に基づいて開発されました。
論文 参考訳（メタデータ） (2021-03-01T03:10:11Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。
LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。
無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
論文 参考訳（メタデータ） (2021-02-05T04:26:05Z)
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。