MSSPN：基于多阶段分割拾取网络的初至自动拾取
计算机视觉与模式识别
2024-04-15 v1 图像与视频处理
摘要
对叠前道集的初至时间进行拾取称为初至时间（FAT）拾取，这是地震数据处理中不可或缺的一步，过去主要依靠人工完成。随着当前地震数据采集密度的增加，人工拾取的效率已无法满足实际需求。因此，近几十年来自动拾取方法得到了极大发展，尤其是基于深度学习的方法。然而，当前基于监督深度学习的少数方法仍难以摆脱对标注样本的依赖。此外，由于道集数据是一组与自然图像差异极大的信号，现有方法难以在低信噪比（SNR）情况下解决 FAT 拾取问题。本文针对硬岩地震道集数据，提出一种多阶段分割拾取网络（MSSPN），解决了跨工区泛化问题以及低 SNR 情况下的拾取问题。MSSPN 中包含四个子模型以模拟人工拾取流程，假定为从粗到细的四个阶段。在七个不同质量的野外数据集上的实验表明，我们的 MSSPN 大幅优于基准方法。特别地，我们的方法在中等和高 SNR 情况下跨工区可实现超过 90% 的准确拾取，即便微调模型也能对低 SNR 数据集实现 88% 的准确拾取。
引用
@article{arxiv.2209.03132,
title = {MSSPN: Automatic First Arrival Picking using Multi-Stage Segmentation Picking Network},
author = {Hongtao Wang and Jiangshe Zhang and Xiaoli Wei and Chunxia Zhang and Zhenbo Guo and Li Long and Yicheng Wang},
journal= {arXiv preprint arXiv:2209.03132},
year = {2024}
}