基于少量 2D 切片标签的注意力驱动 3D 地震断层分割训练
计算机视觉与模式识别
2024-10-28 v5 地球物理
摘要
地震数据中的断层检测是地震构造解释、储层表征和井位布置的关键步骤。一些近期工作将其视为图像分割任务。图像分割任务需要大量标签，尤其是具有复杂结构和大量噪声的 3D 地震数据。因此，其标注需要专家经验与巨大工作量。在本研究中，我们提出 lambda-BCE 和 lambda-smooth L1 损失，以通过 3D 地震数据中的一些切片有效训练 3D-CNN，使模型能从少量 2D 切片学习 3D 地震数据的分割。为从有限数据中充分提取信息并抑制地震噪声，我们提出一种可用于主动监督训练并嵌入网络的注意力模块。注意力热图标签由原始标签生成，并使用 lambda-smooth L1 损失让其监督注意力模块。实验证明了我们损失函数的有效性，该方法能从少量 2D 切片标签提取 3D 地震特征。同时也展示了注意力模块的先进性能，能在提高模型对前景敏感性的同时显著抑制地震数据中的噪声。最后，在公开测试集上，我们仅使用占 3D 体标签 3.3% 的 2D 切片标签训练，取得了与 3D 体标签训练相似的性能。
引用
@article{arxiv.2105.03857,
title = {Attention-Based 3D Seismic Fault Segmentation Training by a Few 2D Slice Labels},
author = {YiMin Dou and Kewen Li and Jianbing Zhu and Xiao Li and Yingjie Xi},
journal= {arXiv preprint arXiv:2105.03857},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication