論文の概要: A General-Purpose Diversified 2D Seismic Image Dataset from NAMSS
- arxiv url: http://arxiv.org/abs/2602.04890v1
- Date: Tue, 27 Jan 2026 14:01:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-06 18:49:08.502183
- Title: A General-Purpose Diversified 2D Seismic Image Dataset from NAMSS
- Title（参考訳）: NAMSSによる汎用2次元地震画像データセット
- Authors: Lucas de Magalhães Araujo, Otávio Oliveira Napoli, Sandra Avila, Edson Borin,
- Abstract要約: Unicamp-NAMSSデータセットは、大きく、多様性があり、地理的に分散した2D地震の集合体である。
我々は,国立海洋地震調査資料館 (NAMSS) から, 数十年にわたって公開されている海洋地震データを含むデータセットを構築した。
- 参考スコア（独自算出の注目度）: 1.9685228653779
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We introduce the Unicamp-NAMSS dataset, a large, diverse, and geographically distributed collection of migrated 2D seismic sections designed to support modern machine learning research in geophysics. We constructed the dataset from the National Archive of Marine Seismic Surveys (NAMSS), which contains decades of publicly available marine seismic data acquired across multiple regions, acquisition conditions, and geological settings. After a comprehensive collection and filtering process, we obtained 2588 cleaned and standardized seismic sections from 122 survey areas, covering a wide range of vertical and horizontal sampling characteristics. To ensure reliable experimentation, we balanced the dataset so that no survey dominates the distribution, and partitioned it into non-overlapping macro-regions for training, validation, and testing. This region-disjoint split allows robust evaluation of generalization to unseen geological and acquisition conditions. We validated the dataset through quantitative and embedding-space analyses using both convolutional and transformer-based models. These analyses showed that Unicamp-NAMSS exhibits substantial variability within and across regions, while maintaining coherent structure across acquisition macro-region and survey types. Comparisons with widely used interpretation datasets (Parihaka and F3 Block) further demonstrated that Unicamp-NAMSS covers a broader portion of the seismic appearance space, making it a strong candidate for machine learning model pretraining. The dataset, therefore, provides a valuable resource for machine learning tasks, including self-supervised representation learning, transfer learning, benchmarking supervised tasks such as super-resolution or attribute prediction, and studying domain adaptation in seismic interpretation.
- Abstract（参考訳）: 我々は,地球物理学における現代の機械学習研究を支援するために設計された,大規模で多様で地理的に分散した2次元地震探査区間であるUnicamp-NAMSSデータセットを紹介した。
国立海洋地震調査資料館 (NAMSS) から作成したデータセットは, 複数の地域, 取得条件, 地質学的設定で取得された, 数十年にわたる海洋地震データを含む。
総合的な収集・フィルタリングプロセスの後,122の調査エリアから2588個のクリーン化・標準化された地震片を採取し,広範囲の縦・横のサンプリング特性をカバーした。
信頼性の高い実験を保証するため、調査が分散を支配しないようにデータセットをバランスさせ、トレーニング、検証、テストのために重複しないマクロリージョンに分割した。
この領域非結合分割は、地質学的および取得条件に対する一般化の堅牢な評価を可能にする。
畳み込みモデルと変圧器モデルの両方を用いて,定量的および埋め込み空間解析によりデータセットの検証を行った。
これらの分析により、Unicamp-NAMSSは、獲得したマクロリージョンとサーベイタイプ間のコヒーレントな構造を維持しながら、地域内および地域間で大きな変動を示すことが示された。
広く使われている解釈データセット(ParihakaとF3 Block)との比較により、Unicamp-NAMSSが耐震性空間の広い部分をカバーすることが証明された。
このデータセットは、自己教師付き表現学習、転送学習、超解像や属性予測などの教師付きタスクのベンチマーク、耐震解釈におけるドメイン適応の研究など、機械学習タスクに有用なリソースを提供する。
関連論文リスト
- Generalizable Slum Detection from Satellite Imagery with Mixture-of-Experts [20.100765943688454]
GRAMは、2段階のテスト時間適応フレームワークであり、ターゲット領域からのラベル付きデータを必要とせずに堅牢なスラムセグメンテーションを可能にする。
ソーストレーニングには,4大陸12都市を対象とした,100万規模の衛星データデータセットを使用します。
適応の間、専門家間の予測整合性は信頼できない擬似ラベルをフィルタリングし、モデルがこれまで見られなかった領域に効果的に一般化することを可能にする。
論文 参考訳（メタデータ） (2025-11-13T13:35:50Z) - Calibrating Biased Distribution in VFM-derived Latent Space via Cross-Domain Geometric Consistency [52.52950138164424]
特徴抽出にオフザシェルフ(ビジョン)基礎モデルを利用する場合、特徴分布の幾何学的形状はドメインやデータセット間で顕著な伝達性を示す。
我々は,我々の幾何学的知識誘導分布キャリブレーションフレームワークを,フェデレーション学習とロングテール認識の2つの人気かつ挑戦的な設定で具体化する。
長期学習において、サンプル豊富なカテゴリから移動された幾何学的知識を利用して、サンプル・スカース・テールクラスの真の分布を復元する。
論文 参考訳（メタデータ） (2025-08-19T05:22:59Z) - DeepC4: Deep Conditional Census-Constrained Clustering for Large-scale Multitask Spatial Disaggregation of Urban Morphology [0.7237068561453082]
本稿では,局所的な国勢調査統計をクラスタレベルの制約として組み込んだ,深層学習に基づく空間分散手法を提案する。
我々の研究は、我々の既存の粗い派生情報を大規模に空間的監査するための、新しいディープラーニングベースのマッピング技術を提供してきた。
論文 参考訳（メタデータ） (2025-07-30T10:25:39Z) - TerraFM: A Scalable Foundation Model for Unified Multisensor Earth Observation [65.74990259650984]
本研究では,グローバルに分散したSentinel-1とSentinel-2画像を利用する,スケーラブルな自己教師型学習モデルTerraFMを紹介する。
我々のトレーニング戦略は、局所的・言語的コントラスト学習を統合し、二重中心化機構を導入する。
TerraFMは分類タスクとセグメンテーションタスクの両方において強力な一般化を実現し、GEO-BenchとCopernicus-Benchの先行モデルよりも優れている。
論文 参考訳（メタデータ） (2025-06-06T17:59:50Z) - Geographical Context Matters: Bridging Fine and Coarse Spatial Information to Enhance Continental Land Cover Mapping [2.9212099078191756]
BRIDGE-LCは,土地被覆分類プロセスに大規模地理空間情報を統合する,新しい深層学習フレームワークである。
その結果,地理空間情報の統合により土地被覆マッピング性能が向上することが示唆された。
論文 参考訳（メタデータ） (2025-04-16T17:42:46Z) - EarthView: A Large Scale Remote Sensing Dataset for Self-Supervision [72.84868704100595]
本稿では,地球モニタリングタスクにおける深層学習アプリケーションを強化することを目的とした,リモートセンシングデータの自己監督を目的としたデータセットを提案する。
このデータセットは15テラピクセルのグローバルリモートセンシングデータにまたがっており、NEON、Sentinel、Satellogicによる1mの空間解像度データの新たなリリースなど、さまざまなソースの画像を組み合わせている。
このデータセットは、リモートセンシングデータの異なる課題に取り組むために開発されたMasked Autoencoderである。
論文 参考訳（メタデータ） (2025-01-14T13:42:22Z) - An Enhanced Classification Method Based on Adaptive Multi-Scale Fusion for Long-tailed Multispectral Point Clouds [67.96583737413296]
長距離分布を持つMPCに対する適応的マルチスケール融合に基づく拡張型分類法を提案する。
トレーニングセット生成段階では、スパースラベル付きデータセットからトレーニングサンプルを確実に生成するグリッドバランスサンプリング戦略が設計されている。
特徴学習の段階では,異なるスケールの土地被覆の浅い特徴を融合させるため,マルチスケールの特徴融合モジュールが提案されている。
論文 参考訳（メタデータ） (2024-12-16T03:21:20Z) - Tackling Long-Tailed Category Distribution Under Domain Shifts [50.21255304847395]
既存のアプローチでは、両方の問題が存在するシナリオに対処できません。
本研究では,分散校正型分類損失,視覚意味マッピング,セマンティック類似性誘導拡張の3つの新しい機能ブロックを設計した。
AWA2-LTSとImageNet-LTSという2つの新しいデータセットが提案された。
論文 参考訳（メタデータ） (2022-07-20T19:07:46Z) - Domain-Adversarial Training of Self-Attention Based Networks for Land
Cover Classification using Multi-temporal Sentinel-2 Satellite Imagery [0.0]
ほとんどの実用的なアプリケーションはラベル付きデータには依存せず、この分野では調査は時間のかかるソリューションである。
本稿では,異なる地理的領域間のドメイン不一致を橋渡しする深層ニューラルネットワークの対比訓練について検討する。
論文 参考訳（メタデータ） (2021-04-01T15:45:17Z) - Meta-Learning for Few-Shot Land Cover Classification [3.8529010979482123]
分類タスクとセグメンテーションタスクにおけるモデル非依存メタラーニング(MAML)アルゴリズムの評価を行った。
数発のモデル適応は,正規勾配降下による事前学習よりも優れていた。
これは、メタラーニングによるモデル最適化が地球科学におけるタスクの恩恵をもたらすことを示唆している。
論文 参考訳（メタデータ） (2020-04-28T09:42:41Z) - Seismic horizon detection with neural networks [62.997667081978825]
本稿では,複数の実地震立方体上での地平線検出にバイナリセグメンテーションを適用し,予測モデルのキューブ間一般化に着目したオープンソースの研究である。
本研究の主な貢献は,複数実地震立方体における地平線検出にバイナリセグメンテーションを適用し,予測モデルのキューブ間一般化に着目したオープンソースの研究である。
論文 参考訳（メタデータ） (2020-01-10T11:30:50Z)
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。