FaultSeg Swin-UNETR：基于 Transformer 的断层识别自监督预训练模型
计算机视觉与模式识别
2024-01-10 v2 图像与视频处理
摘要
本文介绍了一种通过自监督预训练增强地震断层识别的方法。地震断层解释在地球物理与地质领域具有重要意义。然而，常规地震断层识别方法面临诸多问题，包括依赖数据质量与数量，以及易受解释者主观性影响。当前基于小型合成数据集提出的自动化断层识别方法在应用于实际地震数据时性能下降。为应对这些挑战，我们引入了自监督学习概念，利用大量相对易获取的无标签地震数据进行预训练。具体而言，我们采用 Swin Transformer 模型作为核心网络，并使用 SimMIM 预训练任务来捕获地震数据中与不连续性相关的独特特征。在微调阶段，受边缘检测技术启发，我们还改进了 Swin-UNETR 模型的结构，实现多尺度解码与融合以进行更有效的断层检测。实验结果表明，我们提出的方法在 Thebe 数据集上以 OIS 和 ODS 指标衡量达到了最先进性能。
引用
@article{arxiv.2310.17974,
title = {FaultSeg Swin-UNETR: Transformer-Based Self-Supervised Pretraining Model for Fault Recognition},
author = {Zeren Zhang and Ran Chen and Jinwen Ma},
journal= {arXiv preprint arXiv:2310.17974},
year = {2024}
}
备注
The logical flow and background of the article need significant revisions