論文の概要: Simultaneous Automatic Picking and Manual Picking Refinement for First-Break
- arxiv url: http://arxiv.org/abs/2502.01474v1
- Date: Mon, 03 Feb 2025 16:05:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-05 14:56:47.659261
- Title: Simultaneous Automatic Picking and Manual Picking Refinement for First-Break
- Title（参考訳）: ファーストブリークにおける自動ピッキングと手動ピッキングの同時処理
- Authors: Haowen Bai, Zixiang Zhao, Jiangshe Zhang, Yukun Cui, Chunxia Zhang, Zhenbo Guo, Yongjun Wang,
- Abstract要約: 我々は、外れ値やノイズのあるラベルに悩まされるデータセットを扱うために設計された、同時ピッキング・リファインメント(SPR)アルゴリズムを導入する。
本手法では,手動ピックを基本真理とみなす従来の手法とは異なり,本手法は確率モデルにおいて,真のファーストブレイクを潜在変数として扱う。
SPRは、自動ファーストブレイクピッキングにおける主要な障害のいくつかに対して、堅牢なソリューションを提供する。
- 参考スコア（独自算出の注目度）: 9.869865340964576
- License:
- Abstract: First-break picking is a pivotal procedure in processing microseismic data for geophysics and resource exploration. Recent advancements in deep learning have catalyzed the evolution of automated methods for identifying first-break. Nevertheless, the complexity of seismic data acquisition and the requirement for detailed, expert-driven labeling often result in outliers and potential mislabeling within manually labeled datasets. These issues can negatively affect the training of neural networks, necessitating algorithms that handle outliers or mislabeled data effectively. We introduce the Simultaneous Picking and Refinement (SPR) algorithm, designed to handle datasets plagued by outlier samples or even noisy labels. Unlike conventional approaches that regard manual picks as ground truth, our method treats the true first-break as a latent variable within a probabilistic model that includes a first-break labeling prior. SPR aims to uncover this variable, enabling dynamic adjustments and improved accuracy across the dataset. This strategy mitigates the impact of outliers or inaccuracies in manual labels. Intra-site picking experiments and cross-site generalization experiments on publicly available data confirm our method's performance in identifying first-break and its generalization across different sites. Additionally, our investigations into noisy signals and labels underscore SPR's resilience to both types of noise and its capability to refine misaligned manual annotations. Moreover, the flexibility of SPR, not being limited to any single network architecture, enhances its adaptability across various deep learning-based picking methods. Focusing on learning from data that may contain outliers or partial inaccuracies, SPR provides a robust solution to some of the principal obstacles in automatic first-break picking.
- Abstract（参考訳）: ファーストブレイクピッキング(英: First-break Pick)は、地球物理学と資源探査のための微小地震データを処理するための重要な手順である。
近年のディープラーニングの進歩は、初歩的発見のための自動化手法の進化を触媒している。
それでも、地震データ取得の複雑さと、専門家主導の詳細なラベル付けの要件は、しばしば、手動でラベル付けされたデータセット内で、アウトレーヤと潜在的なラベル付けをもたらす。
これらの問題は、ニューラルネットワークのトレーニングや、外れ値を処理するアルゴリズム、あるいは不正ラベル付きデータを効果的に処理する必要性に悪影響を及ぼす可能性がある。
我々は,異常なサンプルやノイズのあるラベルに悩まされるデータセットを扱うために設計された,同時ピッキング・リファインメント(SPR)アルゴリズムを導入する。
本手法では,手動ピックを基礎的真理とみなす従来の手法とは異なり,本手法では,第1次ラベリングを含む確率モデルにおいて,真の第1次リベリングを潜時変数として扱う。
SPRは、この変数を明らかにすることを目的としており、動的調整とデータセット全体の精度の向上を可能にしている。
この戦略は、手動ラベルにおける外れ値や不正確さの影響を緩和する。
公開データ上でのサイト内ピッキング実験とクロスサイト一般化実験により,各サイトにおける初歩的発見と一般化の手法の性能が確認された。
さらに、ノイズ信号やラベルに関する調査は、SPRの両種類のノイズに対するレジリエンスと、不整合手動アノテーションを洗練できる能力を強調している。
さらに、SPRの柔軟性は、単一のネットワークアーキテクチャに制限されないため、さまざまなディープラーニングベースのピック手法への適応性が向上する。
外れ値や部分的不正確性を含む可能性のあるデータから学ぶことに焦点を当てたSPRは、自動ファーストブレイクピックにおける主要な障害に対する堅牢なソリューションを提供する。
関連論文リスト
- Incremental Self-training for Semi-supervised Learning [56.57057576885672]
ISTは単純だが有効であり、既存の自己学習に基づく半教師あり学習手法に適合する。
提案したISTを5つのデータセットと2種類のバックボーンで検証し,認識精度と学習速度を効果的に向上させる。
論文 参考訳（メタデータ） (2024-04-14T05:02:00Z) - Channel-Selective Normalization for Label-Shift Robust Test-Time Adaptation [16.657929958093824]
テスト時間適応は、推論中にモデルを新しいデータ分布に調整するアプローチである。
テスト時のバッチ正規化は、ドメインシフトベンチマークで魅力的なパフォーマンスを達成した、シンプルで一般的な方法である。
本稿では、ディープネットワークにおけるチャネルのみを選択的に適応させ、ラベルシフトに敏感な劇的な適応を最小化することで、この問題に対処することを提案する。
論文 参考訳（メタデータ） (2024-02-07T15:41:01Z) - Fine tuning Pre trained Models for Robustness Under Noisy Labels [34.68018860186995]
トレーニングデータセットにノイズの多いラベルが存在することは、機械学習モデルのパフォーマンスに大きな影響を及ぼす可能性がある。
我々は、事前学習されたモデルの事前知識を頑健かつ効率的に伝達するTURNと呼ばれる新しいアルゴリズムを導入する。
論文 参考訳（メタデータ） (2023-10-24T20:28:59Z) - Combating Label Noise With A General Surrogate Model For Sample Selection [77.45468386115306]
本稿では,視覚言語サロゲートモデルCLIPを用いて,雑音の多いサンプルを自動的にフィルタリングする手法を提案する。
提案手法の有効性を実世界および合成ノイズデータセットで検証した。
論文 参考訳（メタデータ） (2023-10-16T14:43:27Z) - Informative regularization for a multi-layer perceptron RR Lyrae
classifier under data shift [3.303002683812084]
本稿では,情報正規化とアドホックなトレーニング手法に基づくスケーラブルで容易に適応可能なアプローチを提案し,シフト問題を緩和する。
提案手法は,特徴量からの知識をニューラルネットワークに組み込むことで,基礎となるデータシフト問題を管理する。
論文 参考訳（メタデータ） (2023-03-12T02:49:19Z) - MAPS: A Noise-Robust Progressive Learning Approach for Source-Free
Domain Adaptive Keypoint Detection [76.97324120775475]
クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。
本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
論文 参考訳（メタデータ） (2023-02-09T12:06:08Z) - CMW-Net: Learning a Class-Aware Sample Weighting Mapping for Robust Deep
Learning [55.733193075728096]
現代のディープニューラルネットワークは、破損したラベルやクラス不均衡を含むバイアス付きトレーニングデータに容易に適合する。
サンプル再重み付け手法は、このデータバイアス問題を緩和するために一般的に使用されている。
本稿では,データから直接明示的な重み付け方式を適応的に学習できるメタモデルを提案する。
論文 参考訳（メタデータ） (2022-02-11T13:49:51Z) - 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) - Self-Tuning for Data-Efficient Deep Learning [75.34320911480008]
セルフチューニングは、データ効率のよいディープラーニングを可能にする新しいアプローチである。
ラベル付きおよびラベルなしデータの探索と事前訓練されたモデルの転送を統一する。
SSLとTLの5つのタスクをシャープなマージンで上回ります。
論文 参考訳（メタデータ） (2021-02-25T14:56:19Z)
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。