真实地球物理数据上的深度学习：分布式声学传感研究案例
机器学习
2020-10-16 v1 地球物理
摘要
针对真实、大规模且复杂的科学数据集设计深度学习方法可能极具挑战性。本工作中，我们提出了一套完整的搜索方案，用于寻找精细调优且高效扩展的深度学习分类器，以识别利用分布式声学传感（DAS）获取的地震数据中的可用能量。虽然在训练期间仅使用了带标签图像的一个子集，我们仍能够确定可准确泛化至未知信号模式的合适模型。我们表明，通过使用多 16 倍的 GPU，可在 50,000 张图像的数据集上将训练速度提升两个数量级以上。
引用
@article{arxiv.2010.07842,
title = {Deep Learning on Real Geophysical Data: A Case Study for Distributed Acoustic Sensing Research},
author = {Vincent Dumont and Verónica Rodríguez Tribaldos and Jonathan Ajo-Franklin and Kesheng Wu},
journal= {arXiv preprint arXiv:2010.07842},
year = {2020}
}
备注
Submitted to NeurIPS Machine Learning and the Physical Sciences workshop on 4 October 2020