一种基于深度学习的走时层析无标签高精度剩余时差拾取方法
计算机视觉与模式识别
2025-03-11 v1
摘要
剩余时差（RMO）为走时层析提供了关键信息。当前工业标准的 RMO 拟合方法涉及高阶多项式方程扫描。然而，这种解析方法无法准确捕捉局部突变，导致层析反演的迭代效率低下。基于监督学习的图像分割拾取方法能有效捕捉局部变化，但面临可靠训练样本稀缺和后处理高复杂性等挑战。针对这些问题，本研究提出了一种基于深度学习的级联拾取方法。该方法利用分割网络和基于趋势回归的后处理技术来区分准确且稳健的 RMO。此外，引入了一种数据合成方法，使得分割网络能够在合成数据集上训练，从而在现场数据中实现有效拾取。进一步地，提出了一组用于量化自动拾取 RMO 质量的指标。基于模型和实际数据的实验结果表明，与基于相似度的方法相比，我们的方法实现了更高的拾取密度和精度。
引用
@article{arxiv.2503.06038,
title = {A Label-Free High-Precision Residual Moveout Picking Method for Travel Time Tomography based on Deep Learning},
author = {Hongtao Wang and Jiandong Liang and Lei Wang and Shuaizhe Liang and Jinping Zhu and Chunxia Zhang and Jiangshe Zhang},
journal= {arXiv preprint arXiv:2503.06038},
year = {2025}
}