論文の概要: A Deep CNN Model for Ringing Effect Attenuation of Vibroseis Data
- arxiv url: http://arxiv.org/abs/2408.01831v1
- Date: Sat, 3 Aug 2024 17:50:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-06 18:11:11.513470
- Title: A Deep CNN Model for Ringing Effect Attenuation of Vibroseis Data
- Title（参考訳）: ビブロサイスデータのリング効果減衰の深部CNNモデル
- Authors: Zhuang Jia, Wenkai Lu,
- Abstract要約: 振動子の周波数帯域に制限があるため,バイブロサイスデータ処理において「リング効果」は一般的な問題である。
我々は深部畳み込みニューラルネットワーク(CNN)を用いたビブロセイスデータの新しい導出モデルを提案した。
実験結果から,深部CNNモデルはリング効果を効果的に減らし,ビブロセイスデータの帯域幅を拡大できることがわかった。
- 参考スコア（独自算出の注目度）: 8.711367799013466
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the field of exploration geophysics, seismic vibrator is one of the widely used seismic sources to acquire seismic data, which is usually named vibroseis. "Ringing effect" is a common problem in vibroseis data processing due to the limited frequency bandwidth of the vibrator, which degrades the performance of first-break picking. In this paper, we proposed a novel deringing model for vibroseis data using deep convolutional neural network (CNN). In this model we use end-to-end training strategy to obtain the deringed data directly, and skip connections to improve model training process and preserve the details of vibroseis data. For real vibroseis deringing task we synthesize training data and corresponding labels from real vibroseis data and utilize them to train the deep CNN model. Experiments are conducted both on synthetic data and real vibroseis data. The experiment results show that deep CNN model can attenuate the ringing effect effectively and expand the bandwidth of vibroseis data. The STA/LTA ratio method for first-break picking also shows improvement on deringed vibroseis data using deep CNN model.
- Abstract（参考訳）: 探査物理の分野では、地震振動器は地震データを取得するために広く使われている地震源の1つであり、通常はビブロセイと呼ばれる。
リング効果」は、バイブレータの周波数帯域が限られているためビブロサイスデータ処理において一般的な問題であり、初回ピッキングの性能が低下する。
本稿では,深部畳み込みニューラルネットワーク(CNN)を用いたビブロサイスデータの導出モデルを提案する。
このモデルでは、エンドツーエンドのトレーニング戦略を用いて、導出データを直接取得し、接続をスキップしてモデルトレーニングプロセスを改善し、ビブロセイデータの詳細を保存する。
実ビブロセイデータから実ビブロセイデータと対応するラベルを合成し,それを深層CNNモデルのトレーニングに活用する。
合成データと実ビブロセイデータの両方を用いて実験を行った。
実験の結果,深部CNNモデルは有効にリング効果を減衰し,ビブロセイスデータの帯域幅を拡大できることがわかった。
また,STA/LTA比法は深部CNNモデルを用いた深部ビブロセイスデータの改善を示す。
関連論文リスト
- A Real Benchmark Swell Noise Dataset for Performing Seismic Data Denoising via Deep Learning [34.163242023030016]
本稿では, 実データ上に実装されたフィルタリングプロセスから抽出したノイズにより, 合成地震データからなるベンチマークデータセットを提案する。
地震探査のための新しいソリューションの開発を加速するためのベンチマークとして提案されている。
その結果, DLモデルは地震探査に有効であることがわかったが, 未解決の問題も残されている。
論文 参考訳（メタデータ） (2024-10-02T13:06:18Z) - Score-based Generative Priors Guided Model-driven Network for MRI Reconstruction [14.53268880380804]
そこで本研究では,モデル駆動型ネットワークトレーニングの先駆的な先駆的手法として,ナイーブなSMLDサンプルが用いられる新しいワークフローを提案する。
まず,予備指導画像(PGI)としてサンプルを生成するために,事前学習スコアネットワークを採用した。
第2のステップでは,PGIからアーティファクトやノイズを粗く除去するデノナイジングモジュール(DM)を設計した。
第3に、より詳細な詳細を復元するために、識別されたPGIによって誘導されるモデル駆動ネットワークを設計した。
論文 参考訳（メタデータ） (2024-05-05T14:56:34Z) - Real Acoustic Fields: An Audio-Visual Room Acoustics Dataset and Benchmark [65.79402756995084]
Real Acoustic Fields (RAF)は、複数のモードから実際の音響室データをキャプチャする新しいデータセットである。
RAFは密集した室内音響データを提供する最初のデータセットである。
論文 参考訳（メタデータ） (2024-03-27T17:59:56Z) - Learning with Noisy Foundation Models [95.50968225050012]
本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。
雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
論文 参考訳（メタデータ） (2024-03-11T16:22:41Z) - Data Augmentation Scheme for Raman Spectra with Highly Correlated
Annotations [0.23090185577016453]
統計的に独立なラベルを持つデータセットから追加のデータポイントを生成するために、スペクトルの付加的な性質を利用する。
これらのデータポイント上でCNNをトレーニングすることで、アノテーションがモデルトレーニングに使用されたデータセットと同じ相関関係を持たないデータセットのパフォーマンスが向上することを示す。
論文 参考訳（メタデータ） (2024-02-01T18:46:28Z) - Understanding and Mitigating the Label Noise in Pre-training on
Downstream Tasks [91.15120211190519]
本稿では、事前学習データセットにおけるノイズの性質を理解し、下流タスクへの影響を軽減することを目的とする。
雑音の悪影響を軽減するために特徴空間に適応する軽量ブラックボックスチューニング法(NMTune)を提案する。
論文 参考訳（メタデータ） (2023-09-29T06:18:15Z) - Exploring the Effectiveness of Dataset Synthesis: An application of
Apple Detection in Orchards [68.95806641664713]
本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。
我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。
その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
論文 参考訳（メタデータ） (2023-06-20T09:46:01Z) - BeCAPTCHA-Type: Biometric Keystroke Data Generation for Improved Bot
Detection [63.447493500066045]
本研究では,キーストローク生体データ合成のためのデータ駆動学習モデルを提案する。
提案手法は,ユニバーサルモデルとユーザ依存モデルに基づく2つの統計的手法と比較する。
実験フレームワークでは16万件の被験者から1億3600万件のキーストロークイベントのデータセットについて検討している。
論文 参考訳（メタデータ） (2022-07-27T09:26:15Z) - CNN-DST: ensemble deep learning based on Dempster-Shafer theory for
vibration-based fault recognition [0.0]
本研究では,畳み込みニューラルネットワーク(CNN)とDempster-Shafer理論(DST)に基づくアンサンブル深層学習フレームワークを提案する。
提案したCNN-DSTフレームワークを検証するために,多結晶ニッケル合金第一段タービンブレードのブロードバンド振動応答を用いて作成した実験データセットに適用した。
提案したCNN-DSTフレームワークはタービンブレードを平均予測精度97.19%で分類する。
論文 参考訳（メタデータ） (2021-10-14T07:34:27Z) - MLReal: Bridging the gap between training on synthetic data and real
data applications in machine learning [1.9852463786440129]
本稿では,実際のデータ特徴を持つ合成データの教師付きトレーニングを強化するための新しいアプローチについて述べる。
トレーニング段階では、入力データは合成ドメインから、自動相関データは実ドメインからである。
推論/アプリケーション段階では、入力データは実サブセットドメインからであり、自己相関区間の平均は合成データサブセットドメインからである。
論文 参考訳（メタデータ） (2021-09-11T14:43:34Z) - RIFLE: Backpropagation in Depth for Deep Transfer Learning through
Re-Initializing the Fully-connected LayEr [60.07531696857743]
事前訓練されたモデルを用いたディープ畳み込みニューラルネットワーク(CNN)の微調整は、より大きなデータセットから学習した知識をターゲットタスクに転送するのに役立つ。
転送学習環境におけるバックプロパゲーションを深める戦略であるRIFLEを提案する。
RIFLEは、深いCNN層の重み付けに意味のあるアップデートをもたらし、低レベルの機能学習を改善する。
論文 参考訳（メタデータ） (2020-07-07T11:27:43Z)
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。