論文の概要: DeepStratNet: A Context-Aware Coordinate Regression Framework for Seismic Horizon Tracking under Sparse Labels

• arxiv url: http://arxiv.org/abs/2610.02494v1
• Date: Thu, 01 Oct 2026 21:16:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.08861
• Title: DeepStratNet: A Context-Aware Coordinate Regression Framework for Seismic Horizon Tracking under Sparse Labels
• Title（参考訳）: DeepStratNet:スパースラベル下での地震探査のためのコンテキスト対応協調回帰フレームワーク
• Abstract要約: 地平線追跡は3次元地震の解釈の基本課題である。 既存のアプローチのほとんどは、それを密接なセマンティックセグメンテーションとして定式化している。 我々は、事前訓練された視覚バックボーンと互換性のある軽量回帰ヘッドを提案する。
• 参考スコア（独自算出の注目度）: 0.1399948157377307
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic horizon tracking is a foundational task in 3D seismic interpretation. Most existing deep learning approaches formulate it as dense semantic segmentation, typically using U-Net-based architectures. The model produces a probability map over all pixels that must be post-processed to extract precise horizon coordinates, while horizon picks in time/depth must be converted into dense masks for training. Unpicked seismic traces are consequently treated as background, which can hinder convergence, and both pre- and post-processing can introduce errors into the final interpretation. Moreover, 2D segmentation models do not inherently capture inter-slice context, while 3D models are often computationally prohibitive. We instead formulate horizon tracking as a bounded coordinate regression problem, where the model directly predicts the time/depth coordinate of the target horizon at each lateral position. We propose a lightweight regression head compatible with any pretrained vision backbone, coupled with an LSTM module to model inter-slice context and produce a continuous horizon surface across the volume. A combination of L1 and L2 losses supervises predictions at valid horizon picks, while a geology-informed regularization enforces lateral continuity between successive traces. Under controlled experimental conditions, we evaluate four pretrained vision backbones under both segmentation and regression configurations on a seismic volume from New Zealand. The proposed approach consistently outperforms its segmentation counterparts quantitatively, using metrics including RMSE and PCC, and qualitatively, while also demonstrating greater robustness to increasing sparsity of training picks. Finally, we show that prediction variation across successive traces captures local variations in geological complexity, providing an automated quality control measure for downstream seismic interpretation.
• Abstract（参考訳）: 自動地平線追跡は3次元地震解釈の基本課題である。 既存のディープラーニングアプローチのほとんどは、U-Netベースのアーキテクチャを使って、密分なセマンティックセマンティックセグメンテーションとして定式化している。 このモデルは全てのピクセルに確率マップを生成し、正確な地平線座標を抽出するために後処理をしなければならないが、時間/深さの地平線はトレーニングのために密集したマスクに変換する必要がある。 その結果、未発見の地震跡は背景として扱われ、収束を阻害し、前処理と後処理の両方が最終解釈に誤りをもたらす可能性がある。 さらに、2Dセグメンテーションモデルは本質的にはスライス間コンテキストを捉えないが、3Dモデルは計算的に禁止されることが多い。 そこで, モデルが各横位置における対象地平面の時間/深さ座標を直接予測する境界座標回帰問題として, 地平面追跡を定式化する。 本稿では,任意の事前訓練された視覚バックボーンに適合する軽量な回帰ヘッドを提案し,LSTMモジュールと組み合わせることで,スライス間コンテキストをモデル化し,音量にわたって連続的な水平面を生成する。 L1とL2の損失の組み合わせは有効な地平線ピックでの予測を監督し、地質情報による正規化は連続したトレース間の横方向の連続性を強制する。 制御された実験条件下では,ニュージーランドの地震量に対して,セグメンテーションと回帰構成の両方の下で,事前訓練された4つの視覚バックボーンを評価する。 提案手法は,RMSE や PCC などの指標を定性的に用いながら,セグメンテーションのセグメンテーションの精度を一貫して上回り,トレーニングピックの空間性を高めるためのロバスト性を示す。 最後に, 連続トレース間の予測変動は, 地質学的複雑さの局所的変動を捉え, 下流地震解釈のための自動品質制御手段を提供することを示す。

関連論文リスト

• SplatLabel: Pseudo-Labelling through 4D Gaussian Splatting [10.945807584683726]
  SplatLabelは4次元ガウス表現を利用して予測信頼度でLiDARセグメンテーションを抽出する自動パイプラインである。 SplatLabelは、個々の3Dプリミティブの軌跡と寿命をモデル化する明示的な時間多様体を通じて動的環境を処理する。 Semantic KITTIの実験では、SplatLabelは複数のリコールレベルにわたる最先端のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-09-24T14:05:59Z)
• Contrastive Learning for Seismic Horizon Tracking with Domain-Specific Priors [45.20665924864221]
  本稿では,信号由来の局所地平線対応とテクスチャに基づく深層学習モデルの自己教師型融合を提案する。 ネットワークは、局所的な信号継続性を維持しながら、不連続性を超えた水平伝播を可能にするボクセルワイズ埋め込みを学習する。
  論文  参考訳（メタデータ） (2026-06-15T06:19:47Z)
• VEGA: Visual Encoder Grounding Alignment for Spatially-Aware Vision-Language-Action Models [55.12929235609365]
  現在の視覚言語アクション(VLA)モデルの視覚バックボーンは、主に3次元幾何学的監督を伴わない2次元画像データに事前訓練されている。 既存の暗黙の接地法は、VLA特徴を3D認識基盤モデルと整合させることによって、この問題に部分的に対処する。 DINOv2-FiT3D の空間認識機能と VLA の視覚エンコーダの出力を直接一致させるフレームワーク VEGA を提案する。
  論文  参考訳（メタデータ） (2026-05-11T12:44:26Z)
• Unifying UAV Cross-View Geo-Localization via 3D Geometric Perception [51.687842983240564]
  無人航空機(UAV)のクロスビューな地上局地化は、斜めのUAV画像と衛星地図との厳密な幾何学的相違により、いまだに困難である。 本稿では,3次元シーン形状を明示的にモデル化し,粗い位置認識ときめ細かなポーズ推定を統一する,幾何認識型UAV測位フレームワークを提案する。 提案手法は, 最先端のベースラインを著しく上回り, ロバストメータレベルのローカライゼーション精度を実現し, 複雑な都市環境における一般化を向上する。
  論文  参考訳（メタデータ） (2026-04-02T08:08:41Z)
• SpatialFly: Geometry-Guided Representation Alignment for UAV Vision-and-Language Navigation in Urban Environments [49.966170814478915]
  UAV VLNのための幾何学誘導空間表現フレームワークを提案する。 明示的な3次元再構成を伴わないRGB観測において、SpatialFlyは幾何学誘導2次元表示アライメント機構を導入する。 実験結果から、SpatialFlyは現状のUAV VLNベースラインを目に見える環境と見えない環境の両方で一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2026-03-22T03:56:58Z)
• TrajVG: 3D Trajectory-Coupled Visual Geometry Learning [34.47385438436523]
  TrajVGは、クロスフレームな3D対応を明示する再構築フレームワークである。 擬似2次元トラックのみを用いて,同じ結合制約を自己教師対象に再構成する。 3Dトラッキング、ポーズ推定、ポイントマップ再構成、ビデオ深度による実験は、TrajVGが現在のフィードフォワードのパフォーマンスベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2026-02-04T11:13:55Z)
• Unified Human Localization and Trajectory Prediction with Monocular Vision [64.19384064365431]
  MonoTransmotionはトランスフォーマーベースのフレームワークで、モノクロカメラのみを使用して、ローカライゼーションと予測タスクを共同で解決する。 両タスクを統合フレームワークで共同でトレーニングすることにより,ノイズの多い入力による実環境シナリオにおいて,我々の手法がより堅牢であることを示す。
  論文  参考訳（メタデータ） (2025-03-05T14:18:39Z)
• Uncertainty-Aware Adaptation for Self-Supervised 3D Human Pose Estimation [70.32536356351706]
  本稿では、2つの出力ヘッドを2つの異なる構成にサブスクライブする共通のディープネットワークバックボーンを構成するMPP-Netを紹介する。 ポーズと関節のレベルで予測の不確実性を定量化するための適切な尺度を導出する。 本稿では,提案手法の総合評価を行い,ベンチマークデータセット上での最先端性能を示す。
  論文  参考訳（メタデータ） (2022-03-29T07:14:58Z)
• S3Net: 3D LiDAR Sparse Semantic Segmentation Network [1.330528227599978]
  S3NetはLiDARポイントクラウドセマンティックセグメンテーションのための新しい畳み込みニューラルネットワークである。 sparse intra-channel attention module (sintraam)とsparse inter-channel attention module (sinteram)で構成されるエンコーダ-デコーダバックボーンを採用する。
  論文  参考訳（メタデータ） (2021-03-15T22:15:24Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)

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。