地质断层划分模型的大规模基准测试: 域迁移、训练动力学、可泛化性、评估与推断行为
计算机视觉与模式识别
2026-01-21 v4
摘要
机器学习在地震解释工作流程中发挥关键作用,尤其在断层划分任务中。然而,尽管最近出现了大量预训练模型和合成数据集,该领域仍缺乏对这些模型在代表着不同地质、采集和处理设置的地震数据上泛化能力的系统性理解。数据来源之间的分布迁移、微调策略的局限性、标签数据可获取性限制以及评估协议的不一致性,仍是部署可靠模型在现实勘探中的主要障碍。本文提出了首个旨在为地震解释提供域迁移策略指南的大规模基准测试。我们的基准涵盖超过 200 种模型架构、数据集和训练策略的组合,跨三个数据集（包括 FaultSeg3D、CRACKS 和 Thebe）进行测试。我们系统评估了预训练、微调和联合训练在不同域迁移下的表现。我们的分析表明,常见的微调实践在源数据集和目标数据集完全不相干时可能导致灾难性遗忘,而 larger 模型如 Segformer 比较小的体系结构更具鲁棒性。我们还发现,当迁移幅度较大时,域适应方法优于微调,但在域相似时表现不佳。最终,我们补充了基于断层特征描述符的新型分析,揭示了模型如何从训练数据集中吸收结构偏差。总体而言,我们建立了稳健的实验基线,为当前断层划分工作流程中的权衡提供了见解,并为构建更具可泛化性和可解释性的模型指明了方向。
引用
@article{arxiv.2505.08585,
title = {A Large-scale Benchmark on Geological Fault Delineation Models: Domain Shift, Training Dynamics, Generalizability, Evaluation and Inferential Behavior},
author = {Jorge Quesada and Chen Zhou and Prithwijit Chowdhury and Mohammad Alotaibi and Ahmad Mustafa and Yusufjon Kumakov and Mohit Prabhushankar and Ghassan AlRegib},
journal= {arXiv preprint arXiv:2505.08585},
year = {2026}
}