UPNet：基于不确定性的拾取深度学习网络用于鲁棒初至拾取
计算机视觉与模式识别
2024-04-09 v2 图像与视频处理
摘要
在地震勘探中，初至（FB）拾取是确定地下速度模型的关键环节，对井位布置有重要影响。许多基于深度神经网络（DNN）的自动拾取方法已被提出以加速该处理过程。值得注意的是，基于分割的 DNN 方法提供分割图，随后利用拾取阈值从图中估计初至。然而，DNN 拾取结果的不确定性仍需分析。因此，应用于野外数据集的自动拾取方法无法保证鲁棒性，尤其在低信噪比（SNR）情况下。本文中，我们将不确定性量化引入 FB 拾取任务，并提出一种新颖的基于不确定性的拾取深度学习网络称为 UPNet。UPNet 不仅估计网络输出的不确定性，还能过滤低置信度的拾取结果。大量实验评估表明，UPNet 比确定性的基于 DNN 的模型具有更高的准确率和鲁棒性，在野外调查中达到最先进（SOTA）性能。此外，我们验证了所测量的不确定性是有意义的，可为人类决策提供参考。
引用
@article{arxiv.2305.13799,
title = {UPNet: Uncertainty-based Picking Deep Learning Network for Robust First Break Picking},
author = {Hongtao Wang and Jiangshe Zhang and Xiaoli Wei and Li Long and Chunxia Zhang},
journal= {arXiv preprint arXiv:2305.13799},
year = {2024}
}