AdaSemSeg：用于地震前景的自适应少样本语义分割
计算机视觉与模式识别
2025-01-29 v1 机器学习
摘要
使用深度学习方法自动解释地震图像具有挑战性，因为训练数据的可用性有限。少样本学习因其能够在有限监督（小训练预算）下适应新任务而属于合适的学习范例。现有的少样本语义分割（FSSS）方法固定目标类别的数量，因此不支持在类别数目不同的多个数据集上进行联合训练。在地震前景解释的上下文中，固定目标类别的数量会限制在一个前景数据集上训练的模型对另一个具有不同前景数量的数据集的泛化能力。为解决这一不足，我们提出了一种用于解释地震前景的少样本语义分割方法，可适应不同数据集中前景数量的变化，称为 AdaSemSeg。总体而言，FSSS 方法的背部网络是使用从 ImageNet 数据集中学习的统计信息进行初始化，以获得更好的性能。由于缺乏针对地震图像的大型标注数据集，动机是使用地震数据集上的自监督算法来初始化背部网络。我们在三个具有不同前景数量的公开地震前景数据集上训练了 AdaSemSeg，并在多个指标上对该方法进行了评估。对未使用的未见数据集（未用于训练）的性能优于基于原型的少样本方法和基线方法。
引用
@article{arxiv.2501.16760,
title = {AdaSemSeg: An Adaptive Few-shot Semantic Segmentation of Seismic Facies},
author = {Surojit Saha and Ross Whitaker},
journal= {arXiv preprint arXiv:2501.16760},
year = {2025}
}
备注
Under review at IEEE Transactions on Geoscience and Remote Sensing