論文の概要: Ground-roll Separation From Land Seismic Records Based on Convolutional Neural Network
- arxiv url: http://arxiv.org/abs/2409.03878v1
- Date: Thu, 5 Sep 2024 19:34:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-09 17:30:22.600870
- Title: Ground-roll Separation From Land Seismic Records Based on Convolutional Neural Network
- Title（参考訳）: 畳み込みニューラルネットワークによる土地地震記録からの地すべり分離
- Authors: Zhuang Jia, Wenkai Lu, Meng Zhang, Yongkang Miao,
- Abstract要約: 地すべり波は地中地震データにおいて一般的なコヒーレントノイズである。
本稿では,畳み込みニューラルネットワーク(CNN)モデルを用いて,地すべりと反射を分離する新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 9.579207147600247
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ground-roll wave is a common coherent noise in land field seismic data. This Rayleigh-type surface wave usually has low frequency, low apparent velocity, and high amplitude, therefore obscures the reflection events of seismic shot gathers. Commonly used techniques focus on the differences of ground-roll and reflection in transformed domain such as $f-k$ domain, wavelet domain, or curvelet domain. These approaches use a series of fixed atoms or bases to transform the data in time-space domain into transformed domain to separate different waveforms, thus tend to suffer from the complexity for a delicate design of the parameters of the transform domain filter. To deal with these problems, a novel way is proposed to separate ground-roll from reflections using convolutional neural network (CNN) model based method to learn to extract the features of ground-roll and reflections automatically based on training data. In the proposed method, low-pass filtered seismic data which is contaminated by ground-roll wave is used as input of CNN, and then outputs both ground-roll component and low-frequency part of reflection component simultaneously. Discriminative loss is applied together with similarity loss in the training process to enhance the similarity to their train labels as well as the difference between the two outputs. Experiments are conducted on both synthetic and real data, showing that CNN based method can separate ground roll from reflections effectively, and has generalization ability to a certain extent.
- Abstract（参考訳）: 地すべり波は地中地震データにおいて一般的なコヒーレントノイズである。
このレイリー型表面波は通常、低周波、低外周速度、高振幅を有するため、地震ショットの反射現象は明らかでない。
一般的に使われているテクニックは、$f-k$ドメイン、ウェーブレットドメイン、またはカーブレットドメインのような変換されたドメインにおけるグラウンドロールとリフレクションの違いに焦点を当てている。
これらのアプローチでは、一連の固定された原子または塩基を用いて、時間空間領域のデータを変換された領域に変換し、異なる波形を分離する。
これらの問題に対処するために、畳み込みニューラルネットワーク(CNN)モデルを用いた新しい手法が提案され、トレーニングデータに基づいて、グラウンドロールとリフレクションの特徴を自動抽出する方法が提案されている。
提案手法では, 地すべり波によって汚染された低域通過フィルタ地震データをCNNの入力として使用し, 同時に地すべり成分と反射成分の低周波成分の両方を出力する。
識別的損失は、訓練過程における類似性損失とともに適用され、列車ラベルとの類似性を高めるとともに、2つの出力の差を増大させる。
合成データと実データの両方を用いて実験を行い,CNN法により地すべりと反射を効果的に分離し,ある程度の一般化能力を有することを示した。
関連論文リスト
- 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) - Denoising as Adaptation: Noise-Space Domain Adaptation for Image Restoration [64.84134880709625]
拡散モデルを用いて,雑音空間を介して領域適応を行うことが可能であることを示す。
特に、補助的な条件入力が多段階の復調過程にどのように影響するかというユニークな性質を活用することにより、有意義な拡散損失を導出する。
拡散モデルにおけるチャネルシャッフル層や残留スワッピング型コントラスト学習などの重要な戦略を提案する。
論文 参考訳（メタデータ） (2024-06-26T17:40:30Z) - DiffusionPCR: Diffusion Models for Robust Multi-Step Point Cloud
Registration [73.37538551605712]
ポイントクラウド登録(PCR)は、2つのポイントクラウド間の相対的な厳密な変換を推定する。
本稿では, PCR を拡散確率過程として定式化し, ノイズ変換を基礎的真理にマッピングする。
実験ではDiffusionPCRの有効性を示し,3Dおよび3DLoMatchに対する最先端の登録リコール率(95.3%/81.6%)を得た。
論文 参考訳（メタデータ） (2023-12-05T18:59:41Z) - Linear Mode Connectivity in Sparse Neural Networks [1.30536490219656]
合成データによるニューラルネットワークのプルーニングが、ユニークなトレーニング特性を持つスパースネットワークにどのように影響するかを考察する。
これらの特性は、蒸留データを適用した設定において、従来のIMPのパフォーマンスを最大150倍のトレーニングポイントで整合させる合成作業に繋がることがわかった。
論文 参考訳（メタデータ） (2023-10-28T17:51:39Z) - Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。
提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文 参考訳（メタデータ） (2023-04-10T17:54:38Z) - A hybrid approach to seismic deblending: when physics meets
self-supervision [0.0]
自己教師型デノベーションネットワークをPlug-and-Playフレームワークに組み込んだ新しい概念を導入する。
部分的に相関する雑音に対する[28 ]の盲点ネットワークアーキテクチャを設計した新しいネットワークが導入された。
ネットワークは、教師付き時間アルゴリズムの各ステップでノイズの多い入力データに基づいて直接訓練される。
論文 参考訳（メタデータ） (2022-05-30T19:24:21Z) - Three-Way Deep Neural Network for Radio Frequency Map Generation and
Source Localization [67.93423427193055]
空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。
本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
論文 参考訳（メタデータ） (2021-11-23T22:25:10Z) - WaveTransform: Crafting Adversarial Examples via Input Decomposition [69.01794414018603]
本稿では,低周波サブバンドと高周波サブバンドに対応する逆雑音を生成するWaveTransformを紹介する。
実験により,提案攻撃は防衛アルゴリズムに対して有効であり,CNN間での転送も可能であることが示された。
論文 参考訳（メタデータ） (2020-10-29T17:16:59Z) - Ground Roll Suppression using Convolutional Neural Networks [0.0]
グラウンドロールノイズは、プリスタック地震データで観測される最も困難で一般的なノイズの1つである。
我々は、畳み込みニューラルネットワークの非線形特性を利用して、ショットコレクションのグラウンドロールを検出する。
地中転がり抑制を評価するための指標を提案し, 専門家によるフィルタリングと比較して強い結果を報告する。
論文 参考訳（メタデータ） (2020-10-28T20:21:21Z) - Temporal-Spatial Neural Filter: Direction Informed End-to-End
Multi-channel Target Speech Separation [66.46123655365113]
ターゲット音声分離とは、混合信号からターゲット話者の音声を抽出することを指す。
主な課題は、複雑な音響環境とリアルタイム処理の要件である。
複数話者混合から対象音声波形を直接推定する時間空間ニューラルフィルタを提案する。
論文 参考訳（メタデータ） (2020-01-02T11:12:50Z)
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。