論文の概要: SVInvNet: A Densely Connected Encoder-Decoder Architecture for Seismic
Velocity Inversion
- arxiv url: http://arxiv.org/abs/2312.08194v1
- Date: Wed, 13 Dec 2023 14:58:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-14 14:58:06.489436
- Title: SVInvNet: A Densely Connected Encoder-Decoder Architecture for Seismic
Velocity Inversion
- Title(参考訳): SVInvNet:地震波速度インバージョンのための密結合エンコーダデコーダアーキテクチャ
- Authors: Mojtaba Najafi Khatounabad, Hacer Yalim Keles, Selma Kadioglu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 2.0257616108612373
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study presents a deep learning-based approach to seismic velocity
inversion problem, focusing on both noisy and noiseless training datasets of
varying sizes. Our Seismic Velocity Inversion Network (SVInvNet) introduces a
novel architecture that contains a multi-connection encoder-decoder structure
enhanced with dense blocks. This design is specifically tuned to effectively
process complex information, crucial for addressing the challenges of
non-linear seismic velocity inversion. For training and testing, we created
diverse seismic velocity models, including multi-layered, faulty, and salt dome
categories. We also investigated how different kinds of ambient noise, both
coherent and stochastic, and the size of the training dataset affect learning
outcomes. SVInvNet is trained on datasets ranging from 750 to 6,000 samples and
is tested using a large benchmark dataset of 12,000 samples. Despite its fewer
parameters compared to the baseline, SVInvNet achieves superior performance
with this dataset. The outcomes of the SVInvNet are additionally compared to
those of the Full Waveform Inversion (FWI) method. The comparative analysis
clearly reveals the effectiveness of the proposed model.
- Abstract(参考訳): 本研究では,地震波速度インバージョン問題に対する深層学習に基づくアプローチを提案する。
我々の地震波速度インバージョンネットワーク(SVInvNet)は、高密度ブロックで強化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導入している。
この設計は複雑な情報を効果的に処理するために特に調整されており、非線形地震波速度反転の課題に対処するのに不可欠である。
トレーニングとテストのために,多層,欠陥,塩ドームを含む多様な地震波速度モデルを構築した。
また,環境騒音の種類,コヒーレントおよび確率的,トレーニングデータセットのサイズが学習結果に与える影響についても検討した。
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、12,000のサンプルからなる大規模なベンチマークデータセットを使ってテストされる。
SVInvNetはベースラインに比べてパラメータが小さいが、このデータセットでは優れたパフォーマンスを実現している。
SVInvNetの結果はFull Waveform Inversion (FWI)法と比較される。
比較分析の結果,提案モデルの有効性が明らかとなった。
関連論文リスト
- Diffusion-based Neural Network Weights Generation [85.6725307453325]
データセット条件付き事前学習重み抽出による効率よく適応的な伝達学習手法を提案する。
具体的には、ニューラルネットワークの重みを再構築できる変分オートエンコーダを備えた潜時拡散モデルを用いる。
論文 参考訳(メタデータ) (2024-02-28T08:34:23Z) - Data Augmentations in Deep Weight Spaces [89.45272760013928]
そこで本研究では,Mixup法に基づく新しい拡張手法を提案する。
既存のベンチマークと新しいベンチマークでこれらのテクニックのパフォーマンスを評価する。
論文 参考訳(メタデータ) (2023-11-15T10:43:13Z) - Simplifying Full Waveform Inversion via Domain-Independent
Self-Supervised Learning [21.43509030627468]
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。
論文 参考訳(メタデータ) (2023-04-27T17:59:47Z) - Towards Robust Dataset Learning [90.2590325441068]
本稿では,頑健なデータセット学習問題を定式化するための三段階最適化法を提案する。
ロバストな特徴と非ロバストな特徴を特徴付ける抽象モデルの下で,提案手法はロバストなデータセットを確実に学習する。
論文 参考訳(メタデータ) (2022-11-19T17:06:10Z) - Hybridization of Capsule and LSTM Networks for unsupervised anomaly
detection on multivariate data [0.0]
本稿では,Long-Short-Term-Memory(LSTM)とCapsule Networksを1つのネットワークに結合した新しいNNアーキテクチャを提案する。
提案手法は教師なし学習手法を用いて大量のラベル付きトレーニングデータを見つける際の問題を克服する。
論文 参考訳(メタデータ) (2022-02-11T10:33:53Z) - 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) - Bridging the Gap Between Clean Data Training and Real-World Inference
for Spoken Language Understanding [76.89426311082927]
既存のモデルはクリーンデータに基づいてトレーニングされ、クリーンデータトレーニングと現実世界の推論の間にtextitgapが発生する。
本稿では,良質なサンプルと低品質のサンプルの両方が類似ベクトル空間に埋め込まれた領域適応法を提案する。
広く使用されているデータセット、スニップス、および大規模な社内データセット(1000万のトレーニング例)に関する実験では、この方法は実世界の(騒々しい)コーパスのベースラインモデルを上回るだけでなく、堅牢性、すなわち、騒々しい環境下で高品質の結果を生み出すことを実証しています。
論文 参考訳(メタデータ) (2021-04-13T17:54:33Z) - An Experimental Review on Deep Learning Architectures for Time Series
Forecasting [0.0]
時系列予測のための最も広範な深層学習研究を提供する。
すべての研究モデルの中で、結果は、長期短期記憶(LSTM)と畳み込みネットワーク(CNN)が最良の代替手段であることを示しています。
CNNは、異なるパラメータ設定の下で結果の変動が少なく、比較性能を達成し、効率も向上します。
論文 参考訳(メタデータ) (2021-03-22T17:58:36Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳(メタデータ) (2021-01-12T20:08:18Z) - Prediction of Object Geometry from Acoustic Scattering Using
Convolutional Neural Networks [8.067201256886733]
本研究は,畳み込みニューラルネットワークを訓練することにより,散乱特徴から物体形状を推定することを提案する。
データ劣化に対する我々のアプローチの堅牢性は、データセットを用いてトレーニングされたネットワークの性能を比較して評価する。
論文 参考訳(メタデータ) (2020-10-21T00:51:14Z) - SeismiQB -- a novel framework for deep learning with seismic data [62.997667081978825]
ニューラルネットワークの開発に重点を置いた、オープンソースのPythonフレームワークを開発しました。
複数のデータフォーマットで地震波キューブを高速にロードする便利なツールを提供する。
また、望まれる形状の作物を生産し、様々な変換で増強する。
論文 参考訳(メタデータ) (2020-01-10T10:45:56Z)
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。