論文の概要: Seismic First Break Picking in a Higher Dimension Using Deep Graph Learning

• arxiv url: http://arxiv.org/abs/2404.08408v1
• Date: Fri, 12 Apr 2024 11:36:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-15 15:16:32.464909
• Title: Seismic First Break Picking in a Higher Dimension Using Deep Graph Learning
• Title（参考訳）: 深部グラフ学習を用いた高次元地震波ファーストブレークピッキング
• Authors: Hongtao Wang, Li Long, Jiangshe Zhang, Xiaoli Wei, Chunxia Zhang, Zhenbo Guo,
• Abstract要約: 1D信号、2Dソース収集、または3Dソース受信者が収集する。 本稿では,DGL-FB と呼ばれる深層グラフ学習手法を提案する。 DGL-FBは、ディープグラフエンコーダを用いて、サブグラフをグローバルな特徴に符号化し、その後、符号化されたグローバルな特徴をローカルノード信号と組み合わせて、FB検出のためのResUNetベースの1Dセグメンテーションネットワークに入力する。
• 参考スコア（独自算出の注目度）: 6.021171669112303
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Contemporary automatic first break (FB) picking methods typically analyze 1D signals, 2D source gathers, or 3D source-receiver gathers. Utilizing higher-dimensional data, such as 2D or 3D, incorporates global features, improving the stability of local picking. Despite the benefits, high-dimensional data requires structured input and increases computational demands. Addressing this, we propose a novel approach using deep graph learning called DGL-FB, constructing a large graph to efficiently extract information. In this graph, each seismic trace is represented as a node, connected by edges that reflect similarities. To manage the size of the graph, we develop a subgraph sampling technique to streamline model training and inference. Our proposed framework, DGL-FB, leverages deep graph learning for FB picking. It encodes subgraphs into global features using a deep graph encoder. Subsequently, the encoded global features are combined with local node signals and fed into a ResUNet-based 1D segmentation network for FB detection. Field survey evaluations of DGL-FB show superior accuracy and stability compared to a 2D U-Net-based benchmark method.
• Abstract（参考訳）: 現代の自動ファーストブレイク(FB)抽出法は、通常、1D信号、2Dソース収集、または3Dソース受信者が収集する。 2Dや3Dのような高次元データを活用すると、グローバルな特徴が取り入れられ、局所的なピッキングの安定性が向上する。 この利点にもかかわらず、高次元データは構造化された入力を必要とし、計算要求を増加させる。 そこで本稿では,DGL-FBと呼ばれる深層グラフ学習手法を提案する。 このグラフでは、各地震の痕跡はノードとして表現され、類似性を反映するエッジによって接続される。 グラフのサイズを管理するため,モデルトレーニングと推論を合理化するためのサブグラフサンプリング手法を開発した。 提案するフレームワークであるDGL-FBは、深層グラフ学習をFBピッキングに活用する。 ディープグラフエンコーダを使用して、サブグラフをグローバルな機能にエンコードする。 その後、符号化されたグローバルな特徴とローカルノード信号が組み合わされ、FB検出のためのResUNetベースの1Dセグメンテーションネットワークに入力される。 DGL-FBのフィールドサーベイ評価は2次元U-Netベンチマーク法と比較して精度と安定性が優れている。

関連論文リスト

• FedGT: Federated Node Classification with Scalable Graph Transformer [27.50698154862779]
  本稿では,スケーラブルな textbfFederated textbfGraph textbfTransformer (textbfFedGT) を提案する。 FedGTは、最適なトランスポートで整列したグローバルノードに基づいて、クライアントの類似性を計算する。
  論文  参考訳（メタデータ） (2024-01-26T21:02:36Z)
• Graph Transformers for Large Graphs [57.19338459218758]
  この研究は、モデルの特徴と重要な設計制約を識別することに焦点を当てた、単一の大規模グラフでの表現学習を前進させる。 この研究の重要な革新は、局所的な注意機構と組み合わされた高速な近傍サンプリング技術の作成である。 ogbn-products と snap-patents の3倍の高速化と16.8%の性能向上を報告し、ogbn-100M で LargeGT を5.9% の性能改善で拡張した。
  論文  参考訳（メタデータ） (2023-12-18T11:19:23Z)
• GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
  本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。 本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。 提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-10-19T17:56:03Z)
• Graph R-CNN: Towards Accurate 3D Object Detection with Semantic-Decorated Local Graph [26.226885108862735]
  2段検出器は3次元物体検出で大いに人気を博している。 ほとんどの2段式3D検出器は、2段目のRoI特徴抽出にグリッドポイント、ボクセルグリッド、またはサンプルキーポイントを利用する。 本稿ではこの問題を3つの側面で解決する。
  論文  参考訳（メタデータ） (2022-08-07T02:56:56Z)
• Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
  我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。 まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。 次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
  論文  参考訳（メタデータ） (2021-12-31T10:03:47Z)
• Adaptive Context-Aware Multi-Modal Network for Depth Completion [107.15344488719322]
  我々は,観測された空間コンテキストを捉えるために,グラフ伝搬を採用することを提案する。 次に、注意機構を伝搬に適用し、ネットワークが文脈情報を適応的にモデル化することを奨励する。 最後に、抽出したマルチモーダル特徴を効果的に活用するための対称ゲート融合戦略を導入する。 本稿では,Adaptive Context-Aware Multi-Modal Network (ACMNet) を2つのベンチマークで評価した。
  論文  参考訳（メタデータ） (2020-08-25T06:00:06Z)
• Pseudoinverse Graph Convolutional Networks: Fast Filters Tailored for Large Eigengaps of Dense Graphs and Hypergraphs [0.0]
  Graph Convolutional Networks (GCNs) は、グラフベースのデータセットで半教師付き分類を行うツールとして成功している。 本稿では,三部フィルタ空間が高密度グラフを対象とする新しいGCN変種を提案する。
  論文  参考訳（メタデータ） (2020-08-03T08:48:41Z)
• Learning to map source code to software vulnerability using code-as-a-graph [67.62847721118142]
  セキュリティの観点からソースコードのニュアンス学習におけるグラフニューラルネットワークの適用性について検討する。 我々は,既存のコード・アズ・フォトや線形シーケンスの符号化手法よりも,脆弱性検出に有効なコード・アズ・グラフの符号化法を示す。
  論文  参考訳（メタデータ） (2020-06-15T16:05:27Z)
• Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
  本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。 テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2020-06-10T14:48:48Z)
• SVGA-Net: Sparse Voxel-Graph Attention Network for 3D Object Detection from Point Clouds [8.906003527848636]
  生のLIDARデータから同等の3D検出タスクを実現するために,Sparse Voxel-Graph Attention Network (SVGA-Net)を提案する。 SVGA-Netは、分割された3次元球面ボクセルと、すべてのボクセルを通してグローバルなKNNグラフ内の局所完備グラフを構成する。 KITTI検出ベンチマークの実験は、グラフ表現を3次元オブジェクト検出に拡張する効率を実証している。
  論文  参考訳（メタデータ） (2020-06-07T05:01:06Z)

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。