CN111929723A - 基于多任务学习的地震数据约束下的速度模型超辨率方法 - Google Patents

基于多任务学习的地震数据约束下的速度模型超辨率方法 Download PDF

Info

Publication number
CN111929723A
CN111929723A CN202010680064.6A CN202010680064A CN111929723A CN 111929723 A CN111929723 A CN 111929723A CN 202010680064 A CN202010680064 A CN 202010680064A CN 111929723 A CN111929723 A CN 111929723A
Authority
CN
China
Prior art keywords
seismic
velocity model
resolution
data
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010680064.6A
Other languages
English (en)
Other versions
CN111929723B (zh
Inventor
陆文凯
李尹硕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202010680064.6A priority Critical patent/CN111929723B/zh
Publication of CN111929723A publication Critical patent/CN111929723A/zh
Application granted granted Critical
Publication of CN111929723B publication Critical patent/CN111929723B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/282—Application of seismic models, synthetic seismograms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/30—Analysis
    • G01V1/303—Analysis for determining velocity profiles or travel times
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/62—Physical property of subsurface
    • G01V2210/622—Velocity, density or impedance
    • G01V2210/6222—Velocity; travel time
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/66—Subsurface modeling
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/70—Other details related to processing
    • G01V2210/74—Visualisation of seismic data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Geophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种基于多任务学习的地震数据约束下的速度模型超分辨率方法，该方法采用多任务学习策略，使用结构相同的深度网络，处理低分辨率的地震速度模型、地震数据及二者的梯度图像，同时将低分辨率的地震速度模型与地震数据、以及二者在水平和垂直两个方向的索贝尔(sobel)算子同时输入网络，强制六个任务共享同一网络，得到高分辨率地震速度模型、地震数据及二者的梯度图像。

Description

基于多任务学习的地震数据约束下的速度模型超辨率方法
技术领域
本发明属于地震速度模型分辨率领域，具体涉及一种基于多任务学习的地震数据约束下的速度模型超辨率方法。
背景技术
全波形反演(FWI)【1】(Baeten G,De Maag J W,Plessix,René-Edouard,2013)是估算地震速度模型的有力工具。当前FWI方法主要存在反演结果多解、噪声敏感、初始模型强依赖、易陷入局部极值、计算量大等问题。一般来说，地震初始的背景速度模型分辨率低，频率一般在1HZ以下，而陆上地震数据的最低频率一般在6HZ以上，所以二者之间存在一个频率缺口。为了提高FWI的效率和精度，《一种基于多任务学习的地震速度模型超分辨率技术》【2】提出利用基于多任务学习的图像超分辨率技术提高初始背景速度模型的分辨率。
自Dong【3】(2014)等人提出SRCNN以来，深度学习技术在图像超分辨率领域得到了广泛应用。为降低超分辨率任务的学习难度，Kim【4】(2016)等人引入全局残差结构，提出VDSR网络，有效提高了训练效率。Mao【5】(2016)等人将U形网络(U-Net)引入超分辨率领域，通过端到端学习降低了计算量，恢复出更为清晰的高分辨率图像。为充分利用特征图信息，Tong【6】(2017)引入稠密连接结构，提出SRDenseNet。
机器学习通常容易发生过拟合，需要大量的训练样本来训练网络，多任务学习(MTL)【7】可以提高模型泛化能力，有效解决标签数据不足的问题。多任务学习主要通过两种途径实现，分别是强参数共享【8】与弱参数共享【9】，地震速度模型反演任务间关联度较高，适合使用强参数共享方式处理【2】。多任务学习研究表明，同时学习多个相关任务可以显著提高主要任务的性能【10】(Yu Zhang,Qiang Yang,2017)。在地震速度模型反演等超分辨率问题中，也可以利用多任务学习方法提高恢复效果【11】(Shi Y,Wang K,Chen C,2017)。
本发明以《一种基于多任务学习的地震速度模型超分辨率技术》【2】为基础，使用结构相同的深度网络处理低分辨率的地震背景速度模型与地震数据。本发明采用多任务学习技术，同时将低分辨率的地震背景速度模型与地震数据、以及二者在水平和垂直两个方向的索贝尔(sobel)算子同时输入网络，强制六个任务共享同一网络，同时输出高分辨率的图像及其梯度。
参考文献
[1]Baeten G,De Maag J W,Plessix,René-Edouard,et al.The use of lowfrequencies in a full-waveform inversion and impedance inversion land seismiccase study[J].Geophysical Prospecting,2013,61(4):701-711.
[2]陆文凯,李尹硕.一种基于多任务学习的地震速度模型超分辨率技术[P].CN202010253987.3,2020-04-02.
[3]Dong C,Loy C C,He K,et al.Learning a deep convolutional networkfor image super-resolution[C].European conference on computervision.Springer,Cham,2014:184-199.
[4]Kim J,Kwon Lee J,Mu Lee K.Accurate image super-resolution usingvery deep convolutional networks[C].Proceedings of the IEEE conference oncomputer vision and pattern recognition.2016:1646-1654.
[5]Mao X J,Shen C,Yang Y B.Image restoration using convolutionalauto-encoders with symmetric skip connections[J].arXiv preprint arXiv:1606.08921,2016.
[6]Tong T,Li G,Liu X,et al.Image super-resolution using dense skipconnections[C].Proceedings of the IEEE International Conference on ComputerVision.2017:4799-4807.1.
[7]Rich Caruana.Multitask Learning[J].Machine Learning,28(1):41-75.
[8]Baxter J.A Bayesian/Information Theoretic Model of Learning toLearn via Multiple Task Sampling[J].Machine Learning,1997,28(1):7-39.
[9]Duong L,Cohn T,Bird S,et al.Low Resource Dependency Parsing:Cross-lingual Parameter Sharing in a Neural Network Parser[C].Meeting of theAssociation for Computational Linguistics&International Joint Conference onNatural Language Processing.2015.
[10]Zhang Y,Yang Q.A Survey on Multi-Task Learning[J].2017.
[11]Shi Y,Wang K,Chen C,et al.Structure-Preserving Image Super-Resolution via Contextualized Multitask Learning[J].Multimedia,IEEETransactions on,2017,19(12):2804-2815.
发明内容
本发明的目的是实现一种高效和高精度的地震速度模型超分辨率处理方法。该方法采用多任务学习策略，使用深度网络处理低分辨率的地震速度模型、地震数据及二者的梯度图像，得到高分辨率地震速度模型、地震数据及二者的梯度图像。
本发明提出一种基于多任务学习的地震数据约束下的速度模型超辨率方法，包括以下步骤：
步骤1：搭建多任务超分辨率深度网络，网络使用全局残差结构、U形网络结构以及稠密连接结构，处理六通道图像数据；
步骤2：准备训练数据，利用人工合成的速度模型数据构建标签数据，包括使用索贝尔算子提取高分辨率地震速度模型、地震数据水平和垂直两个方向的边缘信息以及高分辨率地震速度模型、地震数据组合，得到六通道的目标图像；在高分辨率图像上，使用均值滤波，得到不同模糊程度的低分辨率地震速度模型、地震数据；使用索贝尔算子提取低分辨率地震速度模型、地震数据在水平和垂直两个方向的边缘信息，组合得到六通道的输入图像；
步骤3：训练多任务超分辨率深度网络，使用均方误差(MSE)和全变差(TV)组合构成多任务深度网络的损失函数，投入训练数据，使用亚当(Adam)优化器进行训练，训练过程中采用衰减学习率；
步骤4：使用训练后的多任务超分辨率深度网络进行图像处理，使用索贝尔算子提取实际地震速度模型、地震数据在水平和垂直两个方向的梯度信息，组合成一幅六通道的输入图像；利用训练好的网络处理输入图像，调整任务权重以得到高分辨率的地震速度模型、地震数据及二者的梯度图像。
优选地，所述多任务超分辨率深度网络同时处理地震速度模型及其梯度，使用‘same’模式的卷积层，普通卷积层不改变特征图尺寸，上采样与下采样卷积层通过stride参数调整输出特征图尺寸。
进一步，多任务超分辨率深度网络中特征图处理步骤为：
进行4次下采样，每次下采样将特征图的长度和宽度缩小为原来的50％，通道数变为原来的两倍，每次下采样后使用普通卷积层进行缓冲，不改变特征图尺寸与通道数；使用稠密连接结构处理4次下采样后得到的小尺寸特征图；通过4次上采样使用转置卷积放大特征图尺寸，每次放大后得到的特征图与对应下采样前的特征图合并(concat)；四层普通卷积层进一步处理，然后输出层任务分离，分别使用一层卷积层处理地震速度模型、x梯度和y梯度图像的超分辨率任务，使用全局残差连接，将输出层处理结果与对应网络输入相加，得到高分辨率地震速度模型及其梯度，网络输出可表示为
y＝x+f(x)
其中x表示网络输入，f(x)表示网络映射函数。
优选地，每个训练数据的地震速度模型部分都经过了四种模糊程度处理，对应的地震数据模糊程度在四种模糊程度中随机产生。
优选地，共有172、252、332、412四种模糊程度。
优选地，使用模糊程度相同的地震速度模型与地震数据进行预训练；使用模糊程度不同的地震速度模型与地震数据进行迁移训练；使用最高模糊程度下验证数据处理结果的峰值信噪比择取最佳模型参数。
附图说明
图1(a)-(c)为本发明方法的流程图，其中图1(a)为本发明方法的总体流程图，图1(b)为本发明方法中训练过程流程图，图1(c)为本发明方法中测试过程流程图；
图2为本发明方法中的多任务超分辨率学习网络示意图；
图3为本发明方法中使用的稠密连接结构示意图；
图4(a)-(f)为使用本发明方法的预测结果图；其中，图4(a)为原始地震速度模型，图4(b)为速度模型在垂直方向的梯度，图4(c)为速度模型在水平方向的梯度，图4(d)为地震数据，图4(e)为地震数据在垂直方向的梯度，图4(f)为地震数据在水平方向的梯度；
图5为本发明提出的方法对地震速度模型优化结果对比图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。
图1展示了本发明方法的流程图，如图1(a)所示，本发明包括以下步骤：
步骤1：搭建多任务超分辨率深度网络，网络使用全局残差结构、U形网络结构以及稠密连接结构，处理六通道图像数据。
步骤2：准备训练数据，利用人工合成的速度模型数据构建标签数据，包括使用索贝尔算子提取高分辨率地震速度模型、地震数据水平和垂直两个方向的边缘信息以及高分辨率地震速度模型、地震数据组合，得到六通道的目标图像；在高分辨率图像上，使用均值滤波，得到不同模糊程度的低分辨率地震速度模型、地震数据；使用索贝尔算子提取低分辨率地震速度模型、地震数据在水平和垂直两个方向的边缘信息，组合得到六通道的输入图像。
步骤3：训练多任务超分辨率深度网络，使用均方误差(MSE)和全变差(TV)组合构成多任务深度网络的损失函数，投入训练数据，使用亚当(Adam)优化器进行训练，训练过程中采用衰减学习率。
步骤4：使用训练后的多任务超分辨率深度网络进行图像处理，使用索贝尔算子提取实际地震速度模型、地震数据在水平和垂直两个方向的梯度信息，组合成一幅六通道的输入图像；利用训练好的网络处理输入图像，调整任务权重以得到高分辨率的地震速度模型(主要目标)、地震数据及二者的梯度图像。
下面结合图1(a)-(c)对基于多任务学习的地震速度模型超分辨率方法进行更为详细的阐述：
(1)搭建多任务超分辨率深度网络。
网络结构如图2所示，采取多任务学习方案，网络同时处理地震速度模型及其梯度。网络中使用‘same’模式的卷积层，普通卷积层不改变特征图尺寸，上采样与下采样卷积层通过stride参数调整输出特征图尺寸。首先多次使用步长为2的卷积层进行下采样，每次将特征图的长度和宽度缩小为原来的50％，通道数变为原来的两倍。每次下采样后使用普通卷积层进行缓冲，不改变特征图尺寸与通道数，为下次下采样做准备。
缩小4次后得到小尺寸特征图x0，使用图3所示的稠密连接结构进行处理。该部分包含34个稠密处理块(block)，第n块的输出可表示为
Figure BDA0002585495870000061
其中fn(x)为该块映射函数，xn为其输入，x0为稠密连接部分的输入特征图，yi为稠密连接部分第i块的输出特征图，特征图组合方式为合并(concat)。稠密连接结构可以充分利用特征图信息，增强网络学习能力。稠密连接会带来大量参数，故每块内部包含1×1的卷积层和3×3的卷积层，以减小参数规模。四次下采样后引入稠密连接可以有效降低稠密连接带来的学习压力。
稠密连接处理后，通过四次上采样放大特征图，使用转置卷积放大特征图尺寸，每次放大后得到的特征图与对应下采样前的特征图合并(concat)，通过此局部残差结构提高学习效率。
后接四层普通卷积层进一步处理，然后输出层任务分离，分别使用一层卷积层处理地震速度模型、x梯度和y梯度图像的超分辨率任务。使用全局残差连接，将输出层处理结果与对应网络输入相加，得到高分辨率地震速度模型及其梯度，网络输出可表示为
y＝x+f(x) (2)
其中x表示网络输入，f(x)表示网络映射函数。
(2)准备训练数据集。
使用索贝尔算子提取高分辨率地震速度模型与地震数据在x与y两个方向的梯度信息，组合得到包含地震速度模型、地震数据及二者分别在两个方向梯度信息的六通道高分辨率图像，作为网络训练的目标图像。
分别在高分辨率地震速度模型和地震数据上使用均值滤波，得到不同模糊程度的低分辨率地震速度模型和地震数据。模糊程度与滤波器窗口大小有关，有172、252、332、412共四种模糊程度。每个训练数据的地震速度模型部分都经过了四种模糊程度处理，对应的地震数据模糊程度在四种模糊程度中随机产生。使用索贝尔算子提取低分辨率数据在x与y两个方向的梯度信息，组合得到与高分辨率数据对应的六通道低分辨率图像，作为网络训练的输入图像。
(3)训练多任务超分辨率深度网络。
完成网络的搭建之后，根据损失函数，使用梯度下降法对网络进行训练。多任务网络的损失函数由均方误差和全变差组成，其表达式为
Figure BDA0002585495870000071
其中y为网络处理结果，r为目标值，1/n代表均值，c为通道标号，β1、β2为权重系数；α1-6为能量系数，满足以下关系：
Figure BDA0002585495870000081
其中x为网络输入，使用一范数
Figure BDA0002585495870000082
表示通道能量。地震速度模型与其梯度图像相关性较高，在损失函数中进行统一处理。
投入训练数据，使用亚当优化器进行训练，训练过程中采用衰减学习率。学习率由初始学习率η0、衰减周期T、衰减率α三个参数表征，训练过程中实时学习率表达式为：
ηi＝αiη0 (4)
其中i为当前学习率衰减次数。在文本文件中记录训练次数、损失函数数值、学习率，储存网络参数到特定文件。训练过程中首先使用模糊程度相同的地震速度模型与地震数据进行预训练，然后使用模糊程度不同的地震速度模型与地震数据进行迁移训练并调整任务权重，最后使用最高模糊程度的地震速度模型验证数据处理结果的峰值信噪比择取最佳模型参数。
(4)应用多任务超分辨率深度网络。
使用索贝尔算子提取实际低分辨率地震速度模型、地震数据及二者在x与y两个方向的梯度信息，组合得到六通道图像。将组合图像投入训练好的网络，得到超分辨率地震速度模型、地震数据及梯度信息。
为了验证本发明方法的有效性与优越性，将本发明所提出的方法应用于合成地震数据，以展示本发明中多任务超分辨率网络模型的处理效果。
本实验以python3.5语言实现。低分辨率图像获取方法为图像边缘复制填充后均值滤波。索贝尔求解过程为在图像边缘复制填充后使用卷积处理。
多任务网络使用Tensorflow框架搭建，训练使用的操作系统是Ubuntu18.04，机器配置为：CPU型号Intel(R)Corei7-6800K,内存大小64G，GPU型号GeForce GTX1080Ti。测试所使用操作系统为WIN10，机器配置为：CPU型号Intel(R)Core(TM)i7-4710HQ，内存大小8G，GPU型号GeForce GTX 950M。
训练数据、验证数据和测试数据均为尺寸1024*1024的合成数据，高分辨率、各种低分辨率的地震速度模型与地震数据构成一组数据，其中训练数据350组，验证数据65套，测试数据50套。训练过程中将地震数据模型、地震数据归一化到0～1范围后提取梯度；将原图像与梯度图像合并成六通道数据，切成小块，投入网络。损失函数(公式3)中参数β1、β2均设置为0.1。参数网络初始学习率为0.0002，衰减率1.5％。所有数据共训练120次，其中预训练80次，迁移训练40次，通过最高模糊程度下验证数据处理结果的峰值信噪比择取最佳模型参数。衰减周期为半个训练周期，即每个训练周期学习率衰减两次。
图4展示了本发明的超分辨率预测结果，从左到右依次是测试图像的高分辨率、低分辨率、超分辨率预测结果。图4a为原始地震速度模型，图4b为速度模型在垂直方向的梯度，图4c为速度模型在水平方向的梯度，图4d为地震数据，图4e为地震数据在垂直方向的梯度，图4f为地震数据在水平方向的梯度，各通道的超分结果都有效地恢复出了图像中的高频信息。图5为本发明提出的模型对地震速度模型优化结果评估，使用峰值信噪比(PSNR)评估优化前后地震速度模型与高分辨率数据的相似程度。图5包括两部分，上半部分为不同模糊程度的低分辨率地震速度模型峰值信噪比；下半部分为在不同模糊程度地震数据约束下的超分辨率结果峰值信噪比。表1为均值滤波后地震速度模型峰值信噪比。如表2所示，设置地震速度模型和地震数据任务权重比例21:1的情况下，在各种模糊程度组合中，本发明均能够将各种模糊程度的地震速度模型峰值信噪比提高14dB左右(相比表1数据)，提升效果明显。
表格1均值滤波后速度模型峰值信噪比
滤波器尺寸 17 25 33 41
峰值信噪比 28.69 26.82 25.48 24.44
表格2本发明评估结果
Figure BDA0002585495870000091
表3分别展示了本发明方法的处理结果与文献【2】的多任务地震速度模型超分辨率处理结果的评价对比表。相比文献【2】的方法，本发明的方法能够恢复更详细的细节信息。在测试集数据中，本发明可以将41*41均值滤波地震速度模型的峰值信噪比提升12.1～14.3dB，而文献【2】的方法只能提高6.9dB。
表格3本发明评估结果对比
峰值信噪比 结构相似性
低分辨率 24.44 0.8162
多任务超分辨率 31.29 0.8990
本发明 36.53～38.71 0.9566～0.9653
此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种基于多任务学习的地震数据约束下的速度模型超辨率方法，包括以下步骤：
步骤1：搭建多任务超分辨率深度网络，网络使用全局残差结构、U形网络结构以及稠密连接结构，处理六通道图像数据；
步骤2：准备训练数据，利用人工合成的速度模型数据构建标签数据，包括使用索贝尔算子提取高分辨率地震速度模型、地震数据水平和垂直两个方向的边缘信息以及高分辨率地震速度模型、地震数据组合，得到六通道的目标图像；在高分辨率图像上，使用均值滤波，得到不同模糊程度的低分辨率地震速度模型、地震数据；使用索贝尔算子提取低分辨率地震速度模型、地震数据在水平和垂直两个方向的边缘信息，组合得到六通道的输入图像；
步骤3：训练多任务超分辨率深度网络，使用均方误差(MSE)和全变差(TV)组合构成多任务深度网络的损失函数，投入训练数据，使用亚当(Adam)优化器进行训练，训练过程中采用衰减学习率；
步骤4：使用训练后的多任务超分辨率深度网络进行图像处理，使用索贝尔算子提取实际地震速度模型、地震数据在水平和垂直两个方向的梯度信息，组合成一幅六通道的输入图像；利用训练好的网络处理输入图像，调整任务权重以得到高分辨率的地震速度模型、地震数据及二者的梯度图像。
2.如权利要求1所述的一种基于多任务学习的地震数据约束下的速度模型超辨率方法，其特征在于：所述多任务超分辨率深度网络同时处理地震速度模型及其梯度，使用‘same’模式的卷积层，普通卷积层不改变特征图尺寸，上采样与下采样卷积层通过stride参数调整输出特征图尺寸。
3.如权利要求2所述的一种基于多任务学习的地震数据约束下的速度模型超辨率方法，其特征在于：所述多任务超分辨率深度网络中特征图处理步骤为：
进行4次下采样，每次下采样将特征图的长度和宽度缩小为原来的50％，通道数变为原来的两倍，每次下采样后使用普通卷积层进行缓冲，不改变特征图尺寸与通道数；
使用稠密连接结构处理4次下采样后得到的小尺寸特征图；
通过4次上采样使用转置卷积放大特征图尺寸，每次放大后得到的特征图与对应下采样前的特征图合并(concat)；
四层普通卷积层进一步处理，然后输出层任务分离，分别使用一层卷积层处理地震速度模型、x梯度和y梯度图像的超分辨率任务，使用全局残差连接，将输出层处理结果与对应网络输入相加，得到高分辨率地震速度模型及其梯度，网络输出可表示为
y＝x+f(x)
其中x表示网络输入，f(x)表示网络映射函数。
4.如权利要求1所述的一种基于多任务学习的地震数据约束下的速度模型超辨率方法，其特征在于：每个训练数据的地震速度模型部分都经过了四种模糊程度处理，对应的地震数据模糊程度在四种模糊程度中随机产生。
5.如权利要求1或4所述的一种基于多任务学习的地震数据约束下的速度模型超辨率方法，其特征在于：共有172、252、332、412四种模糊程度。
6.如权利要求1所述的一种基于多任务学习的地震数据约束下的速度模型超辨率方法，其特征在于：使用模糊程度相同的地震速度模型与地震数据进行预训练；使用模糊程度不同的地震速度模型与地震数据进行迁移训练并调整任务权重；使用最高模糊程度的地震速度模型验证数据处理结果的峰值信噪比择取最佳模型参数。
CN202010680064.6A 2020-07-15 2020-07-15 基于多任务学习的地震数据约束下速度模型超分辨率方法 Active CN111929723B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010680064.6A CN111929723B (zh) 2020-07-15 2020-07-15 基于多任务学习的地震数据约束下速度模型超分辨率方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010680064.6A CN111929723B (zh) 2020-07-15 2020-07-15 基于多任务学习的地震数据约束下速度模型超分辨率方法

Publications (2)

Publication Number Publication Date
CN111929723A true CN111929723A (zh) 2020-11-13
CN111929723B CN111929723B (zh) 2023-03-14

Family

ID=73312423

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010680064.6A Active CN111929723B (zh) 2020-07-15 2020-07-15 基于多任务学习的地震数据约束下速度模型超分辨率方法

Country Status (1)

Country Link
CN (1) CN111929723B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115166822A (zh) * 2022-08-02 2022-10-11 中国矿业大学(北京) 储层弹性参数的预测方法、装置和电子设备
CN115169247A (zh) * 2022-08-02 2022-10-11 中国矿业大学(北京) 储层参数的预测方法、装置和电子设备
CN117407712A (zh) * 2023-10-17 2024-01-16 中联煤层气有限责任公司 一种基于多任务学习的低频地震数据补偿方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017219263A1 (zh) * 2016-06-22 2017-12-28 中国科学院自动化研究所 基于双向递归卷积神经网络的图像超分辨率增强方法
CN109064396A (zh) * 2018-06-22 2018-12-21 东南大学 一种基于深度成分学习网络的单幅图像超分辨率重建方法
US20190064389A1 (en) * 2017-08-25 2019-02-28 Huseyin Denli Geophysical Inversion with Convolutional Neural Networks
CN109523531A (zh) * 2018-11-13 2019-03-26 北京博达瑞恒科技有限公司 基于超分辨率深度学习的断裂检测方法及系统
CN110020989A (zh) * 2019-05-23 2019-07-16 西华大学 一种基于深度学习的深度图像超分辨率重建方法
CN110706166A (zh) * 2019-09-17 2020-01-17 中国科学院遥感与数字地球研究所 一种锐化标签数据的图像超分辨率重建方法及装置
CN111062872A (zh) * 2019-12-17 2020-04-24 暨南大学 一种基于边缘检测的图像超分辨率重建方法及系统
CN111368710A (zh) * 2020-02-27 2020-07-03 东北石油大学 一种联合深度学习的地震数据随机噪声压制方法
CN111461988A (zh) * 2020-04-02 2020-07-28 清华大学 一种基于多任务学习的地震速度模型超分辨率技术

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017219263A1 (zh) * 2016-06-22 2017-12-28 中国科学院自动化研究所 基于双向递归卷积神经网络的图像超分辨率增强方法
US20190064389A1 (en) * 2017-08-25 2019-02-28 Huseyin Denli Geophysical Inversion with Convolutional Neural Networks
CN109064396A (zh) * 2018-06-22 2018-12-21 东南大学 一种基于深度成分学习网络的单幅图像超分辨率重建方法
CN109523531A (zh) * 2018-11-13 2019-03-26 北京博达瑞恒科技有限公司 基于超分辨率深度学习的断裂检测方法及系统
CN110020989A (zh) * 2019-05-23 2019-07-16 西华大学 一种基于深度学习的深度图像超分辨率重建方法
CN110706166A (zh) * 2019-09-17 2020-01-17 中国科学院遥感与数字地球研究所 一种锐化标签数据的图像超分辨率重建方法及装置
CN111062872A (zh) * 2019-12-17 2020-04-24 暨南大学 一种基于边缘检测的图像超分辨率重建方法及系统
CN111368710A (zh) * 2020-02-27 2020-07-03 东北石油大学 一种联合深度学习的地震数据随机噪声压制方法
CN111461988A (zh) * 2020-04-02 2020-07-28 清华大学 一种基于多任务学习的地震速度模型超分辨率技术

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHICHENG GENG，等: "Relative geologic time estimation using a deep convolutional neural network", 《SEG INTERNATIONAL EXPOSITION AND 89TH ANNUAL MEETING》 *
王一宁等: "基于残差神经网络的图像超分辨率改进算法", 《计算机应用》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115166822A (zh) * 2022-08-02 2022-10-11 中国矿业大学(北京) 储层弹性参数的预测方法、装置和电子设备
CN115169247A (zh) * 2022-08-02 2022-10-11 中国矿业大学(北京) 储层参数的预测方法、装置和电子设备
CN117407712A (zh) * 2023-10-17 2024-01-16 中联煤层气有限责任公司 一种基于多任务学习的低频地震数据补偿方法

Also Published As

Publication number Publication date
CN111929723B (zh) 2023-03-14

Similar Documents

Publication Publication Date Title
CN111929723B (zh) 基于多任务学习的地震数据约束下速度模型超分辨率方法
CN111062872B (zh) 一种基于边缘检测的图像超分辨率重建方法及系统
CN110210551B (zh) 一种基于自适应主体敏感的视觉目标跟踪方法
CN110211045B (zh) 基于srgan网络的超分辨率人脸图像重建方法
CN112016507A (zh) 基于超分辨率的车辆检测方法、装置、设备及存储介质
CN112861729B (zh) 一种基于伪深度图引导的实时深度补全方法
CN107064845A (zh) 基于深度卷积网的一维部分傅里叶并行磁共振成像方法
CN111340046A (zh) 基于特征金字塔网络和通道注意力的视觉显著性检测方法
CN111461988B (zh) 一种基于多任务学习的地震速度模型超分辨率技术
CN109214989A (zh) 基于多方向特征预测先验的单幅图像超分辨率重建方法
CN110246171B (zh) 一种实时单目视频深度估计方法
CN112819762A (zh) 一种基于伪孪生密集连接注意力机制的路面裂缝检测方法
CN115330643B (zh) 基于卷积神经网络和视觉变换神经网络的地震去噪方法
CN113935249B (zh) 基于压缩和激励网络的上层海洋热结构反演方法
He et al. Remote sensing image super-resolution using deep–shallow cascaded convolutional neural networks
CN114066729A (zh) 一种可恢复身份信息的人脸超分辨率重建方法
CN117173577A (zh) 一种基于改进Swin Transformer的遥感影像建筑物变化检测方法
CN116029902A (zh) 一种基于知识蒸馏的无监督真实世界图像超分辨方法
CN113538359B (zh) 一种用于指静脉图像分割的系统以及方法
CN112818777B (zh) 一种基于密集连接与特征增强的遥感图像目标检测方法
CN111127879B (zh) 基于生成式对抗网络的城市交通流量预测方法
CN115456957B (zh) 一种全尺度特征聚合的遥感影像变化检测的方法
CN113129237B (zh) 基于多尺度融合编码网络的深度图像去模糊方法
CN115861062A (zh) 多尺度学习小波注意力机制网络及图像超分辨率重建方法
CN115187463A (zh) 一种滑坡遥感影像集超分辨率重建方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant