論文の概要: DSU-Net: Dynamic Snake U-Net for 2-D Seismic First Break Picking

• arxiv url: http://arxiv.org/abs/2405.16980v1
• Date: Mon, 27 May 2024 09:22:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-28 16:11:45.353925
• Title: DSU-Net: Dynamic Snake U-Net for 2-D Seismic First Break Picking
• Title（参考訳）: DSU-Net:動的スネークU-Netによる2次元地震波の第一波検出
• Authors: Hongtao Wang, Rongyu Feng, Liangyi Wu, Mutian Liu, Yinuo Cui, Chunxia Zhang, Zhenbo Guo,
• Abstract要約: 地震探査において、第1破片(FB)の同定は地下速度モデルを確立する上で重要な要素である。 本稿では,2次元地震FBピッキングタスクのための新しいセマンティックセグメンテーションネットワークを提案し,U-Netに動的ヘビ畳み込みを導入する。 具体的には,ショット集合の浅部における水平連続特性を抽出できる新しいDSConvモジュールを提案する。
• 参考スコア（独自算出の注目度）: 2.652023830121349
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In seismic exploration, identifying the first break (FB) is a critical component in establishing subsurface velocity models. Various automatic picking techniques based on deep neural networks have been developed to expedite this procedure. The most popular class is using semantic segmentation networks to pick on a shot gather called 2-dimensional (2-D) picking. Generally, 2-D segmentation-based picking methods input an image of a shot gather, and output a binary segmentation map, in which the maximum of each column is the location of FB. However, current designed segmentation networks is difficult to ensure the horizontal continuity of the segmentation. Additionally, FB jumps also exist in some areas, and it is not easy for current networks to detect such jumps. Therefore, it is important to pick as much as possible and ensure horizontal continuity. To alleviate this problem, we propose a novel semantic segmentation network for the 2-D seismic FB picking task, where we introduce the dynamic snake convolution into U-Net and call the new segmentation network dynamic-snake U-Net (DSU-Net). Specifically, we develop original dynamic-snake convolution (DSConv) in CV and propose a novel DSConv module, which can extract the horizontal continuous feature in the shallow feature of the shot gather. Many experiments have shown that DSU-Net demonstrates higher accuracy and robustness than the other 2-D segmentation-based models, achieving state-of-the-art (SOTA) performance in 2-D seismic field surveys. Particularly, it can effectively detect FB jumps and better ensure the horizontal continuity of FB. In addition, the ablation experiment and the anti-noise experiment, respectively, verify the optimal structure of the DSConv module and the robustness of the picking.
• Abstract（参考訳）: 地震探査において、第1破片(FB)の同定は地下速度モデルを確立する上で重要な要素である。 ディープニューラルネットワークに基づく様々な自動ピッキング技術が開発され、この手順が高速化されている。 最も一般的なクラスは、セマンティックセグメンテーションネットワークを使用して、2次元(2-D)ピックと呼ばれるショットコレクションを選択することである。 一般的に、2次元セグメンテーションに基づくピック法は、ショットのイメージを入力し、各カラムの最大値がFBの位置であるバイナリセグメンテーションマップを出力する。 しかし, 現在のセグメンテーションネットワークでは, セグメンテーションの水平連続性を確保することは困難である。 さらに、FBジャンプはいくつかの領域に存在し、現在のネットワークがそのようなジャンプを検出するのは容易ではない。 したがって、できるだけ選び、水平連続性を確保することが重要である。 この問題を解決するために, 2次元地震波FBピッキングタスクのための新しいセグメンテーションネットワークを提案し, 動的ヘビ畳み込みをU-Netに導入し, 動的セグメンテーションネットワークをDSU-Netと呼ぶ。 具体的には,従来のダイナミックスネーク・コンボリューション(DSConv)をCVで開発し,ショット集合の浅部における水平連続特性を抽出できる新しいDSConvモジュールを提案する。 多くの実験により、DSU-Netは他の2次元セグメンテーションモデルよりも精度と堅牢性を示し、2次元地震探査において最先端(SOTA)性能を達成することが示されている。 特に、FBジャンプを効果的に検出し、FBの水平連続性をより確実にする。 さらに,DSConvモジュールの最適構造とピッキングの堅牢性について,アブレーション実験とアンチノイズ実験をそれぞれ検証した。

関連論文リスト

• Seismic First Break Picking in a Higher Dimension Using Deep Graph Learning [6.021171669112303]
  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。
  論文  参考訳（メタデータ） (2024-04-12T11:36:24Z)
• DPTNet: A Dual-Path Transformer Architecture for Scene Text Detection [34.42038300372715]
  我々は,シーンテキスト検出タスクのグローバルおよびローカル情報をモデル化する,シンプルで効果的なアーキテクチャであるDPTNetを提案する。 本稿では,コンボリューションネットワークと強力な自己認識機構を統合した並列設計を提案し,注目経路と畳み込み経路の相補的な手がかりを提供する。 我々のDPTNetはMSRA-TD500データセットの最先端結果を実現し、検出精度と速度の両面で他の標準ベンチマーク上での競合結果を提供する。
  論文  参考訳（メタデータ） (2022-08-21T12:58:45Z)
• BatchFormerV2: Exploring Sample Relationships for Dense Representation Learning [88.82371069668147]
  BatchFormerV2はより一般的なバッチトランスフォーマーモジュールである。 BatchFormerV2は、現在のDETRベースの検出方法を1.3%以上改善している。
  論文  参考訳（メタデータ） (2022-04-04T05:53:42Z)
• AFDetV2: Rethinking the Necessity of the Second Stage for Object Detection from Point Clouds [15.72821609622122]
  我々は点雲からの3次元検出のための1段アンカーフリーネットワークを開発した。 我々は、バックボーンの自己校正畳み込みブロック、キーポイント補助監視、マルチタスクヘッドのIoU予測分岐を使用する。 私たちは2021年のリアルタイム3Dチャレンジで1位を獲得しました。
  論文  参考訳（メタデータ） (2021-12-16T21:22:17Z)
• Application of 2-D Convolutional Neural Networks for Damage Detection in Steel Frame Structures [0.0]
  本稿では,2次元畳み込みニューラルネットワーク(2次元CNN)を特徴抽出と分類段階の両方に応用する。 本手法では、深度ではなく、光ったCNNのネットワークを使用し、生の加速度信号を入力とする。
  論文  参考訳（メタデータ） (2021-10-29T16:29:31Z)
• Full-Duplex Strategy for Video Object Segmentation [141.43983376262815]
  Full- Strategy Network (FSNet)はビデオオブジェクトセグメンテーション(VOS)のための新しいフレームワークである 我々のFSNetは、融合復号ステージの前に、クロスモーダルな機能パス(すなわち、送信と受信)を同時に実行します。 我々のFSNetは、VOSとビデオの有能なオブジェクト検出タスクの両方において、他の最先端技術よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-08-06T14:50:50Z)
• PV-RCNN++: Point-Voxel Feature Set Abstraction With Local Vector Representation for 3D Object Detection [100.60209139039472]
  点雲からの正確な3次元検出を行うために,PointVoxel Region based Convolution Neural Networks (PVRCNNs)を提案する。 提案するPV-RCNNは,Openデータセットと高競争性KITTIベンチマークの両方において,従来の最先端3D検出方法よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2021-01-31T14:51:49Z)
• Semi-supervised deep learning based on label propagation in a 2D embedded space [117.9296191012968]
  提案されたソリューションは、少数の教師なしイメージから多数の教師なしイメージにラベルを伝達し、ディープニューラルネットワークモデルをトレーニングする。 本稿では、より正確なラベル付きサンプルを反復してセットから深層ニューラルネットワーク(VGG-16)をトレーニングするループを提案する。 ラベル付きセットがイテレーションに沿って改善されるにつれて、ニューラルネットワークの機能が改善される。
  論文  参考訳（メタデータ） (2020-08-02T20:08:54Z)
• MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT Prostate Segmentation via Online Sampling [66.01558025094333]
  本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。 マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。 本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
  論文  参考訳（メタデータ） (2020-05-15T10:37:02Z)
• Scope Head for Accurate Localization in Object Detection [135.9979405835606]
  本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。 我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
  論文  参考訳（メタデータ） (2020-05-11T04:00:09Z)

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。