MD Loss：通过弱化异常标注在稀疏标签下高效训练三维地震断层分割网络
计算机视觉与模式识别
2024-10-28 v6 图像与视频处理
地球物理
摘要
数据驱动的断层检测被视为三维图像分割任务。由合成数据训练的模型难以在某些勘探中泛化。近来，使用稀疏人工二维切片训练三维断层分割被认为可取得有前景的结果，但人工标注存在许多假阴性标签（异常标注），不利于训练并进而损害检测性能。为在稀疏二维标签下训练三维断层分割网络同时抑制假阴性标签，我们分析训练过程梯度并提出掩码 Dice (Mask Dice, MD) 损失。此外，断层为边缘特征，当前广泛用于断层检测的编解码架构（如 U 形网络）不利于边缘表示。因此，提出 Fault-Net，其针对断层特性设计，采用高分辨率传播特征，并嵌入多尺度压缩融合块以融合多尺度信息，使边缘信息在传播与融合中充分保留，从而以较少计算资源实现先进性能。实验表明，MD 损失支持将人类经验纳入训练并抑制其中的假阴性标签，使基线模型提升性能并泛化到更多勘探。Fault-Net 能提供更稳定可靠的断层解释，其计算资源消耗极低且推理显著快于其他模型。我们的方法相较若干主流方法表现出最优性能。
引用
@article{arxiv.2110.05319,
title = {MD Loss: Efficient Training of 3D Seismic Fault Segmentation Network under Sparse Labels by Weakening Anomaly Annotation},
author = {Yimin Dou and Kewen Li and Jianbing Zhu and Timing Li and Shaoquan Tan and Zongchao Huang},
journal= {arXiv preprint arXiv:2110.05319},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication