基于卷积神经网络集成对地震图像中盐体进行半监督分割
计算机视觉与模式识别
2019-08-06 v3
摘要
地震图像分析在广泛的工业应用中起着关键作用，并一直受到显著关注。地震成像的基本挑战之一是检测地下盐体结构，这对于识别油气储层和钻井路径规划不可或缺。遗憾的是，精确识别大型盐丘极为困难，专业的地震成像通常依赖专家对盐体进行人工解译。卷积神经网络（CNN）已成功应用于诸多领域，在地震成像领域也有若干尝试。但地球物理专家手动标注成本高昂且公开可用标注数据集稀缺，阻碍了现有基于 CNN 方法的性能。本文提出一种半监督方法，用于地震图像中盐体的分割（勾绘），其利用未标注数据进行多轮自训练。为减少自训练中的误差放大，我们提出了一种使用 CNN 集成的方案。我们表明，我们的方法在 TGS Salt Identification Challenge 数据集上优于当前最优方法，并在 3234 种参赛方法中排名第一。
引用
@article{arxiv.1904.04445,
title = {Semi-Supervised Segmentation of Salt Bodies in Seismic Images using an Ensemble of Convolutional Neural Networks},
author = {Yauhen Babakhin and Artsiom Sanakoyeu and Hirotoshi Kitamura},
journal= {arXiv preprint arXiv:1904.04445},
year = {2019}
}
备注
Accepted at GCPR 2019, Source code: https://github.com/ybabakhin/kaggle_salt_bes_phalanx