CN113703048B - 对抗神经网络高分辨率地震断层检测方法和系统 - Google Patents
对抗神经网络高分辨率地震断层检测方法和系统 Download PDFInfo
- Publication number
- CN113703048B CN113703048B CN202111001525.3A CN202111001525A CN113703048B CN 113703048 B CN113703048 B CN 113703048B CN 202111001525 A CN202111001525 A CN 202111001525A CN 113703048 B CN113703048 B CN 113703048B
- Authority
- CN
- China
- Prior art keywords
- training
- fault
- module
- neural network
- loss function
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 69
- 230000003042 antagnostic effect Effects 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 138
- 230000011218 segmentation Effects 0.000 claims abstract description 65
- 230000004927 fusion Effects 0.000 claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 230000006870 function Effects 0.000 claims description 40
- 238000010606 normalization Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 20
- 238000010200 validation analysis Methods 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005755 formation reaction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V20/00—Geomodelling in general
-
- 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
- G01V1/34—Displaying seismic recordings or visualisation of seismic data or attributes
- G01V1/345—Visualisation of seismic data or attributes, e.g. in 3D cubes
-
- 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
-
- 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
- G01V1/301—Analysis for determining seismic cross-sections or geostructures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/612—Previously recorded data, e.g. time-lapse or 4D
-
- 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
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6161—Seismic or acoustic, e.g. land or sea measurements
-
- 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
- G01V2210/64—Geostructures, e.g. in 3D data cubes
- G01V2210/642—Faults
-
- 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)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geology (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Geophysics And Detection Of Objects (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种对抗神经网络高分辨率地震断层检测方法和系统，包括：基于预设训练样本集对目标对抗神经网络进行训练，得到训练之后的目标对抗神经网络；预设训练样本集包括地震数据和断层标签；目标对抗神经网络包括：分割模块，特征融合模块和鉴别器模块；分割模块为基于预设训练样本集得到断层特征的模块；特征融合模块为用于将断层特征与地震数据融合为全局特征图的模块；基于训练之后的目标对抗神经网络，对目标地震图像进行地震断层检测。本发明缓解了现有技术中存在的地震断层检测精度和分辨率较低的技术问题。
Description
技术领域
本发明涉及地震断层解释技术领域，尤其是涉及一种对抗神经网络高分辨率地震断层检测方法和系统。
背景技术
以往研究中的神经网络断层识别方法主要关注目标的局部特征，并利用合成数据集对网络进行训练。最常用的断层检测方法是使用U-Net的变体，U-Net是一种应用于图像像素分类的神经网络。例如，Wu et al.(2019) 使用简化的U-Net网络结合精细的大型合成地震数据来实现断层检测。类似地，Li et al.(2019)使用真实地震数据中的二维剖面训练了一个用于断层检测的U-Net网络。尽管许多断层分割结果的边界模糊，但U-Net网络似乎是图像分割问题的首选。
为了进一步突出断层的潜在特征，通常对地震图像采用图像处理技术。数据归一化和图像增强是扩展训练数据、使断层特征易于被神经网络学习的常用方法。例如，灰色变换方法将平均振幅非零数据转换为平均振幅为零的数据，使数据满足不连续性检测假设(Di和Gao，2014)。此外，图像翻转和旋转等数据增强方法显著增加了训练数据的多样性(Wuet al.， 2019)。其他一些方法通过降低噪声以增强断层的不连续性。例如，结合方向分析和边缘平滑技术的滤波器可以用来去除噪声和简化结构信息 (Fehmers和
2003年)。一些正则化方法还可以平滑地震反射并保留断层不连续性(Zhao和Mukhopadhyay，2018)。然而，这些方法都是通过削弱背景信息突出断层特征，对于地震断层的检测精度和分辨率比较低。
发明内容
有鉴于此，本发明的目的在于提供一种对抗神经网络高分辨率地震断层解释方法和系统，以缓解现有技术中存在的地震断层检测精度和分辨率较低的技术问题。
第一方面，本发明实施例提供了一种对抗神经网络高分辨率地震断层检测方法，包括：基于预设训练样本集对目标对抗神经网络进行训练，得到训练之后的目标对抗神经网络；所述预设训练样本集包括地震数据和断层标签；所述目标对抗神经网络包括：分割模块，特征融合模块和鉴别器模块；所述分割模块为基于所述预设训练样本集得到断层特征的模块；所述特征融合模块为用于将断层特征与地震数据融合为全局特征图的模块；基于所述训练之后的目标对抗神经网络，对目标地震图像进行地震断层检测。
进一步地，基于预设训练集对目标对抗神经网络进行训练，包括：第一训练步骤：基于平衡交叉熵损失函数，利用所述预设训练样本集对所述分割模块进行训练，得到训练之后的分割模块；预测步骤：将所述预设训练样本集代入到所述训练之后的分割模块，得到预测的断层特征；融合步骤：基于所述特征融合模块，将地震数据与所述预测的断层特征融合为全局特征图；第二训练步骤：基于分类交叉熵损失函数，利用所述全局特征图对所述鉴别器模块进行训练，得到训练之后的鉴别器模块；鉴别步骤：将所述全局特征图代入到所述训练之后的鉴别器模块，得到鉴别差异值；更新步骤：基于所述鉴别差异值和正则化损失函数，对所述平衡交叉熵损失函数进行更新，并重复所述第一训练步骤到所述更新步骤，直到所述鉴别差异值小于预设阈值结束训练。
进一步地，基于所述特征融合模块，将地震数据与所述预测的断层特征融合为全局特征图，包括：对所述预测的断层特征进行局部特征反转，得到所述预测的断层特征的关注度；计算所述关注度与所述地震数据的点积，并进行局部对比度归一化处理，得到所述全局特征图。
进一步地，所述预测的断层特征包括预测断层的概率和断层标签；对所述预测的断层特征进行局部特征反转，得到所述预测的断层特征的关注度，包括：通过如下算式对所述预测的断层特征进行局部特征反转：
其中，P为所述预测断层的概率，
为所述预测断层的概率所对应的关注度，y为所述断层标签，
为所述断层标签所对应的关注度。
进一步地，利用正则化损失函数对所述平衡交叉熵损失函数进行更新，包括：通过如下算式对所述平衡交叉熵损失函数进行更新：lS(P，y，C)＝ lpixel(P，y)+λ·limage(C)其中，λ为超参数，lS(P，y，C)为所述正则化损失函数，lpisex(P，y)为所述平衡交叉熵损失函数，limage(C)为所述鉴别差异值(隐式正则化项)，C为所述鉴别器模块的输出张量。
第二方面，本发明实施例还提供了一种对抗神经网络高分辨率地震断层检测系统，包括：训练装置和检测装置；其中，所述训练装置，用于基于预设训练样本集对目标对抗神经网络进行训练，得到训练之后的目标对抗神经网络；所述预设训练样本集包括地震数据和断层标签；所述目标对抗神经网络包括：分割模块，特征融合模块和鉴别器模块；所述分割模块为基于所述预设训练样本集得到断层特征的模块；所述特征融合模块为用于将断层特征与地震数据融合为全局特征图的模块；所述检测装置，用于基于所述训练之后的目标对抗神经网络，对目标地震图像进行地震断层检测。
进一步地，所述训练装置还用于：第一训练步骤：基于平衡交叉熵损失函数，利用所述预设训练样本集对所述分割模块进行训练，得到训练之后的分割模块；预测步骤：将所述预设训练样本集代入到所述训练之后的分割模块，得到预测的断层特征；融合步骤：基于所述特征融合模块，将地震数据与所述预测的断层特征融合为全局特征图；第二训练步骤：基于分类交叉熵损失函数，利用所述全局特征图对所述鉴别器模块进行训练，得到训练之后的鉴别器模块；鉴别步骤：将所述全局特征图代入到所述训练之后的鉴别器模块，得到鉴别差异值；更新步骤：基于所述鉴别差异值和正则化损失函数，对所述平衡交叉熵损失函数进行更新，并重复所述第一训练步骤到所述更新步骤，直到所述鉴别差异值小于预设阈值结束训练。
进一步地，所述特征融合模块，还用于：对所述预测的断层特征进行局部特征反转，得到所述预测的断层特征的关注度；计算所述关注度与所述地震数据的点积，并进行局部对比度归一化处理，得到所述全局特征图。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法的步骤。
第四方面，本发明实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行上述第一方面所述方法。
本发明实施例提供了一种对抗神经网络高分辨率地震断层解释方法和系统，通过在对抗神经网络中增加特征融合模块，可以将局部断层特征和全局的地震数据融合成全局特征图，为作为神经网络正则化项的鉴别器模块提供全局信息，提高了对抗神经网络的预测能力和泛化能力，缓解了现有技术中存在的地震断层检测精度和分辨率较低的技术问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的本发明实施例提供的一种对抗神经网络高分辨率地震断层检测方法的流程图；
图2为本发明实施例提供的一种目标对抗神经网络训练方法的流程图；
图3为本发明实施例提供的一种基于全局特征融合的对抗神经网络架构的示意图；
图4为本发明实施例提供的一种数据方案的示意图；
图5为本发明实施例提供的一种分割模块和鉴别器的平均训练性能的示意图；
图6为本发明实施例提供的一种利用训练之后的目标对抗神经网络对墨西哥湾真实地震数据进行断层识别的示意图；
图7为本发明实施例提供的一种断层标签与网络预测之间的差异可视化示意图；
图8为本发明实施例提供的一种对抗神经网络高分辨率地震断层检测系统的示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：
图1是根据本发明实施例提供的一种对抗神经网络高分辨率地震断层检测方法的流程图。如图1所示，该方法具体包括如下步骤：
步骤S102，基于预设训练样本集对目标对抗神经网络进行训练，得到训练之后的目标对抗神经网络；预设训练样本集包括地震数据和断层标签。
在本发明实施例中，目标对抗神经网络包括：分割模块，特征融合模块和鉴别器模块；分割模块为基于预设训练样本集得到断层特征的模块；可选地，分割模块为U-Net型网络；特征融合模块为用于将断层特征与地震数据融合为全局特征图的模块；鉴别器模块用于识别全局特征图中的目标特征是来自分割模块还是人工解释的断层标签。
步骤S104，基于训练之后的目标对抗神经网络，对目标地震图像进行地震断层检测。
本发明实施例提供了一种对抗神经网络高分辨率地震断层解释方法，通过在对抗神经网络中增加特征融合模块，可以将局部断层特征和全局的地震数据融合成全局特征图，为作为神经网络正则化项的鉴别器模块提供全局信息，提高了对抗神经网络的预测能力和泛化能力，缓解了现有技术中存在的地震断层检测精度和分辨率较低的技术问题。
图2是根据本发明实施例提供的一种目标对抗神经网络训练方法的流程图。如图2所示，在本发明实施例中，对目标对抗神经网络进行训练的步骤具体包括：
第一训练步骤S1021：基于平衡交叉熵损失函数，利用预设训练样本集对分割模块进行训练，得到训练之后的分割模块。
在本发明实施例中，一个循环周期包括8轮分割网络的训练，使用预设训练样本集和平衡交叉熵损失函数自动平衡断层和非断层之间的像素损失值：
其中，M是输入地震数据中的地震图像的像素总数，yi是二进制标签 (断层处取值为1，非断层处取值为0)；Pi为网络输出的预测断层的概率(0≤Pi≤1)；
是断层像素数
与像素总数M的比值；
是非断层像素数
与像素总数M的比值。公式的第一项是断层像素点的预测误差，第二项是非断层像素点的预测误差。
预测步骤S1022：将预设训练样本集代入到训练之后的分割模块，得到预测的断层特征。
在本发明实施例中，通过利用预设训练样本生成预测的断层特征的方式，可以使得分割模块做到轻量级化(参数大小约为0.49M)，只需要较小的存储空间即可。
融合步骤S1023：基于特征融合模块，将地震数据与预测的断层特征融合为全局特征图。
具体的，首先对预测的断层特征进行局部特征反转，得到预测的断层特征的关注度；其中，预测的断层特征包括预测断层的概率和断层标签；在本发明实施例中，通过如下算式对预测的断层特征进行局部特征反转：
其中，P为预测断层的概率，
为预测断层的概率所对应的关注度，y 为断层标签，
为断层标签所对应的关注度。
和
的取值范围都是0到1。
然后计算关注度与地震数据的点积，并进行局部对比度归一化处理，得到全局特征图。
具体的，使用如下算式计算关注度与地震数据(具体为地震剖面)的点积：
其中，S为组成地震剖面的数据矩阵。
为了增强对比度和边缘特征，使用如下算式进行局部对比度归一化处理：
OSN(x)＝x-x*Gauss，OSD(x)＝OSN(x)2*Gauss
其中
和
分别是
和
对应的局部对比度归一化结果，将
和
作为最后得到的全局特征图；OLCN(x)是局部对比度归一化的算子，OSN(x)定义了减法归一化，OSD(x)定义了除数归一化，OSD(x).mean是OSD(x)的平均值；高斯滤波窗口大小为7×7，常数m＝3，(a，b)是点坐标，并且*表示卷积运算。
也就是说，特征融合模块通过融合地震图像中的背景反射信息和断层的目标特征来输出全局特征图，这些断层特征来自分割模块的输出或者训练样本的标签。
第二训练步骤S1024：基于分类交叉熵损失函数，利用全局特征图对鉴别器模块进行训练，得到训练之后的鉴别器模块。
在本发明实施例中，在对分割模块进行了一个周期的训练后，将原始的预设训练样本输给暂时训练好的分割模块，得到了断层预测结果(即预测的断层特征)。然后，特征融合模块生成全局特征图
和
接下来，将
和
输入鉴别器模块进行分类，鉴别器将训练6轮，使用分类交叉熵损失函数
进行训练：
其中，2N是
和
的图像个数，z1i和z2i是目标特征的类标签，即(1， 0)表示目标特征来自分割模块的预测结果，(0,1)表示目标特征来自训练数据的标签；P1i和P2i分别是鉴别器输出的对于上述目标特征的相应的预测概率。公式的第一项是
的分类误差，第二项是
的分类误差。
鉴别步骤S1025：将全局特征图代入到训练之后的鉴别器模块，得到鉴别差异值。
具体的，将所有
图像输入暂时训练好的鉴别器模块，输出预测概率 (C1,C2)和标签(0,1)之间的差异，使用：
其中，C＝(C1,C2)是鉴别器的输出张量，C1i和C2i分别是第i个输入图像来自分割模块和断层标签的概率；limage表示分割模块对鉴别器的欺骗能力，即鉴别差异值。也就是说，limage值越大，表示分割模块的断层描述精度越低，在下一次训练中，分割模块将受到较大梯度的惩罚或更新。值得注意的是，式中在分类类别等于2时使用了分类交叉熵损失函数，这避免了由于应用softmax算子而导致的梯度消失。
更新步骤S1026：基于鉴别差异值和正则化损失函数，对平衡交叉熵损失函数进行更新，并重复第一训练步骤到更新步骤，直到鉴别差异值小于预设阈值结束训练。
具体的，通过如下算式对平衡交叉熵损失函数进行更新：
lS(P，y，C)＝lpixel(P，y)+λ·limage(C)
其中，λ为超参数，lS(P，y，C)为正则化损失函数，lpixel(P，y)为平衡交叉熵损失函数，limage(C)为鉴别差异值(隐式正则化项)，C为鉴别器模块的输出张量。
在本发明实施例的对抗训练过程中，为了平衡分割模块和鉴别器模块的损失值，设置了λ取值范围为(0.15，0.3)，并且λ＝0.2在本发明中得到了很好的结果，对抗训练后的分割模块的性能显著提高。
图3是根据本发明实施例提供的一种基于全局特征融合的对抗神经网络架构(FaultAdvNet)的示意图。如图3所示，FaultAdvNet的网络架构由 (a)分割模块，(b)特征融合模块和(c)鉴别器模块组成。(a)和(b) 中的色块是按大小和卷积核数标记的特征映射。(c)中的点表示全连接层中的神经元，最终输出分类结果。
具体的，如图3所示，分割模块是一个U-Net型网络，它由卷积层通过下采样将大小为256×256的输入压缩至32×32，然后通过上采样将隐特征向量(32×32)展开成下采样路径中同级特征映射的相同大小(如图3中的 a所示)。压缩路径中的特征映射被逐级连接到扩展路径(复制和裁剪)，以消除训练过程中的梯度消失。在压缩路径和扩展路径中卷积核的大小均为3×3，不同层级的卷积核数分别为1、2、16、32、64和128(如图3中a 图中的色块所示)。相应地，下采样和上采样的核大小都是2×2。分割模块中可训练参数的个数为487009，表明本发明实施例中的网络需要较小的存储空间。
如图3中的c图所示，鉴别器模块的网络输入是256×256大小的全局特征图，经过4个卷积层和2个最大池化层。然后对隐特征向量进行展平，将其输入到由4层全连接层构成的分类器中。分类器生成一个类别概率张量，概率值表示全局特征图(如图3中的b所示)中的目标特征是来自分割模块还是人工解释的断层标签。最后，鉴别器模块充当广义正则化项去改进分割模块的性能。鉴别器模块共有3357万个可训练参数，在本发明实施例中其功能容量足够大。
为了验证本发明实施例提供的对抗神经网络高分辨率地震断层检测方法的有效性，本发明实施例提供的数据集为从墨西哥湾采集的三维地震数据体的一个子集。数据体由131条纵测线和174条横测线组成，纵测线和横测线的间距分别为50m和25m。每个记录道有376个采样点，延迟记录时间为1000ms，采样率为4ms。由于断层和层位通常在离散区域进行解释，本发明实施例以类似于图4中的a图所示的方式将数据体拆分为训练和预测(测试)数据，其中，图4为根据本发明实施例提供的一种数据方案的示意图。具体地，有83条用于训练的横测线(68条作为训练集，15条作为验证集)和91条用于预测的横测线。然后对训练数据进行系统化处理以增强数据特征和扩充数据数量，包括弹性变换、改变照明度、加入高斯噪声、高斯模糊、图像旋转等，最后进行数据标准化。经数据预处理后，训练集和验证集分别扩展到204和43条横测线。
然后基于上述数据集和对抗神经网络架构，依次训练分割模块和鉴别器，并评估平均训练性能，如图5所示，图5为本发明实施例提供的一种分割模块和鉴别器的平均训练性能的示意图。在第一个周期的训练中，分割模块的权重(可训练参数)更新了8轮(1632步)。结果，分割模块的训练精度提高到89％，而训练损失值降低到0.19(如图5中的a图所示)。相应的验证集的准确率和损失值分别增加到90％和减少到0.26。然后，鉴别器训练6轮(408步，如图5中的b图所示)，鉴别器的训练精度和损失值分别提高到97％和减少到0.005。接下来，鉴别器将损失值(即正则化损失函数)返回给分割模块用于第二个训练周期。如图5中的a图所示，分割模块的训练在第二个周期训练结束时收敛，训练集和验证集的准确率分别为94％和93.5％，损失值分别稳定在0.12和0.17。总的来说，准确率的方差从第一个周期的～0.048下降到第二个周期的～0.007，损失值的方差从第一个周期的～0.189下降到第二个周期的～0.061，训练过程中的方差表明了分割模块和鉴别器的训练收敛性。
图6为本发明实施例提供的一种利用训练之后的目标对抗神经网络对墨西哥湾真实地震数据进行断层识别的示意图。其中，图6中的左列子图 (从a到d)为本发明实施例提供的方法的预测结果，右列子图(从e到h) 为现有技术中的U-Net网络的预测结果。具体的，本发明实施例选取了图4 中a图预测区的四条横测线进行地震剖面解释，如图6左列所示，本发明实施例提供的FaultAdvNet预测的断层概率值主要集中在0.9～1之间，预测断层的连续性好，有清晰的断层边界和明确的断层倾角。本发明实施例还在图6的右列中展示了现有技术中传统的U-Net网络的断层预测结果。相较之下，传统的U-Net网络预测的断层概率值分散地在0.1到0.55之间，仅略大于随机阈值0.5。此外，传统的U-Net网络预测的断层边界模糊，会误判沉积地层的反射信号。总的来说，本发明实施例提供的FaultAdvNet 的预测具有很高的可信度，而传统的U-Net表现出很高的不确定性。
图7为本发明实施例提供的一种断层标签与网络预测之间的差异可视化示意图。其中断层标签以及预测和标签之间的差异被画在同一张图像上。如断层标签所示，FaultAdvNet网络精确地拾取了所有断层且边界清晰、倾角准确，图7中的a图中用圆圈表示的一个特征除外。然而，相应的地震图像(如图6中的a图所示)证实了这是一个不连续的反射，它可能是一个小的地质断层，只不过在预测数据的标签中没有标注。相比之下，仅用传统的U-Net网络进行预测无法定位断层，因为断层预测结果遍布地震剖面，并且相邻断层缠绕在一起(图7中的e到h)。
与大多数只关注目标局部特征的传统U-Net网络不同，本发明实施例提供的检测方法中所应用的基于全局特征融合的对抗神经网络，即 FaultAdvNet，通过考虑整个地质反射信息获得更优的性能。具体地，本发明实施例提供的FaultAdvNet在两个方面提高了识别性能：(1)通过融合局部断层特征和周围沉积物的反射特征来增强全局特征；(2)加入对抗性训练以及一个鉴别器模块，其功能容量约为分割模块的70倍。
在地球物理成像中，目标地质构造体的反射和普遍存在的沉积物的反射通常有所联系，特别是在地层不均匀、不连续的情况下。因此，在实际地震数据中将目标特征和背景特征结合起来，这是提高神经网络的预测能力和泛化能力的关键。本发明实施例提供的特征融合方法在训练过程中突出了关键地质特征和必要背景信息之间的关系。利用全局特征图对鉴别器进行训练，使其具有很强的识别能力，能够准确地将地质断层与周围沉积物区分开来。更重要的是，鉴别器根据预测结果为分割模块返回失配损失值，有效地指导了分割模块的进一步改进。从而使轻量级的分割模块能够在不考虑背景噪声的情况下，利用真实地震数据分割出边界清晰的地质断层。
例如，用与传统U-Net网络类似的方式进行第一个周期的训练后，本发明实施例所提供的FaultAdvNet的输出仅识别出断层周围的模糊区域作为预测结果。然而，在第二个周期的训练之后，经过良好训练的FaultAdvNet 会以非常高的分辨率精确地拾取断层。相比之下，经过训练的经典U-Net 网络只能产生可靠性低的输出(～0.56)，其中一些预测大致平行于图像上断层标签的倾斜方向。尽管可以对网络预测结果使用一些后处理以帮助定位断层，但仅使用传统U-Net网络的模糊输出很难分离两个相邻距离较近的断层。
由以上描述可知，本发明实施例提供了一种对抗神经网络高分辨率地震断层检测方法，可以利用真实地震数据进行高分辨率(几十米)的断层检测。以墨西哥湾实际地震资料为例的研究表明，与传统的U-Net网络相比，本发明实施例提出的特征融合方法和对抗训练方法显著提高了分割模块的预测和泛化性能。特征融合方法通过综合目标和背景特征，为作为神经网络正则化项的鉴别器模块提供全局信息。实验结果表明，鉴别器模块有效地约束了分割网络，使得断层分割任务能够准确地标记出目标边界。正是由于鉴别器模块强大的约束作用，使得FaultAdvNet只需要少量的实际地震资料就可以得到很好的训练。
本发明实施例提供的方法为利用少量实际地震资料以低成本高分辨率探测地质断层提供了一个前景。此外，将全局特征图与作为隐式正则化项的神经网络相融合的思路，在地震资料的其它地质特征识别任务中，如地震道、盐丘、瓦斯烟囱等，也有着广阔的应用前景。
实施例二：
图8是根据本发明实施例提供的一种对抗神经网络高分辨率地震断层检测系统的示意图。如图8所示，该系统包括：训练装置10和检测装置20。
具体的，训练装置10，用于基于预设训练样本集对目标对抗神经网络进行训练，得到训练之后的目标对抗神经网络；预设训练样本集包括地震数据和断层标签；目标对抗神经网络包括：分割模块，特征融合模块和鉴别器模块；分割模块为基于预设训练样本集得到断层特征的模块；特征融合模块为用于将断层特征与地震数据融合为全局特征图的模块。
检测装置20，用于基于训练之后的目标对抗神经网络，对目标地震图像进行地震断层检测。
本发明实施例提供了一种对抗神经网络高分辨率地震断层解释系统，通过在对抗神经网络中增加特征融合模块，可以将局部断层特征和全局的地震数据融合成全局特征图，为作为神经网络正则化项的鉴别器模块提供全局信息，提高了对抗神经网络的预测能力和泛化能力，缓解了现有技术中存在的地震断层检测精度和分辨率较低的技术问题。
具体的，训练装置10还用于：
第一训练步骤：基于平衡交叉熵损失函数，利用预设训练样本集对分割模块进行训练，得到训练之后的分割模块；
预测步骤：将预设训练样本集代入到训练之后的分割模块，得到预测的断层特征；
融合步骤：基于特征融合模块，将地震数据与预测的断层特征融合为全局特征图；
第二训练步骤：基于分类交叉熵损失函数，利用全局特征图对鉴别器模块进行训练，得到训练之后的鉴别器模块；
鉴别步骤：将全局特征图代入到训练之后的鉴别器模块，得到鉴别差异值；
更新步骤：基于鉴别差异值和正则化损失函数，对平衡交叉熵损失函数进行更新，并重复第一训练步骤到更新步骤，直到鉴别差异值小于预设阈值结束训练。
可选地，本发明实施例提供的特征融合模块，还用于：
对预测的断层特征进行局部特征反转，得到预测的断层特征的关注度；
计算关注度与地震数据的点积，并进行局部对比度归一化处理，得到全局特征图。
本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例一中的方法的步骤。
本发明实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，程序代码使处理器执行上述实施例一中的方法。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种对抗神经网络高分辨率地震断层检测方法，其特征在于，包括：
基于预设训练样本集对目标对抗神经网络进行训练，得到训练之后的目标对抗神经网络；所述预设训练样本集包括地震数据和断层标签；所述目标对抗神经网络包括：分割模块、特征融合模块和鉴别器模块；所述分割模块为基于所述预设训练样本集得到断层特征的模块；所述特征融合模块为用于将断层特征与地震数据融合为全局特征图的模块；
基于所述训练之后的目标对抗神经网络，对目标地震图像进行地震断层检测；
基于预设训练集对目标对抗神经网络进行训练，包括：
第一训练步骤：基于平衡交叉熵损失函数，利用所述预设训练样本集对所述分割模块进行训练，得到训练之后的分割模块；
预测步骤：将所述预设训练样本集代入到所述训练之后的分割模块，得到预测的断层特征；
融合步骤：基于所述特征融合模块，将地震数据与所述预测的断层特征融合为全局特征图；
第二训练步骤：基于分类交叉熵损失函数，利用所述全局特征图对所述鉴别器模块进行训练，得到训练之后的鉴别器模块；
鉴别步骤：将所述全局特征图代入到所述训练之后的鉴别器模块，得到鉴别差异值；
更新步骤：基于所述鉴别差异值和正则化损失函数，对所述平衡交叉熵损失函数进行更新，并重复所述第一训练步骤到所述更新步骤，直到所述鉴别差异值小于预设阈值结束训练。
2.根据权利要求1所述的方法，其特征在于，基于所述特征融合模块，将地震数据与所述预测的断层特征融合为全局特征图，包括：
对所述预测的断层特征进行局部特征反转，得到所述预测的断层特征的关注度；
计算所述关注度与所述地震数据的点积，并进行局部对比度归一化处理，得到所述全局特征图。
3.根据权利要求2所述的方法，其特征在于，所述预测的断层特征包括预测断层的概率和断层标签；对所述预测的断层特征进行局部特征反转，得到所述预测的断层特征的关注度，包括：
通过如下算式对所述预测的断层特征进行局部特征反转：
其中，P为所述预测断层的概率，
为所述预测断层的概率所对应的关注度，y为所述断层标签，
为所述断层标签所对应的关注度。
4.根据权利要求3所述的方法，其特征在于，利用正则化损失函数对所述平衡交叉熵损失函数进行更新，包括：
通过如下算式对所述平衡交叉熵损失函数进行更新：
lS(P,y,C)＝lpixel(P,y)+λ·limage(C)
其中，λ为超参数，lS(P,y,C)为所述正则化损失函数，lpixel(P,y)为所述平衡交叉熵损失函数，limage(C)为所述鉴别差异值，C为所述鉴别器模块的输出张量。
5.一种对抗神经网络高分辨率地震断层检测系统，其特征在于，包括：训练装置和检测装置；其中，
所述训练装置，用于基于预设训练样本集对目标对抗神经网络进行训练，得到训练之后的目标对抗神经网络；所述预设训练样本集包括地震数据和断层标签；所述目标对抗神经网络包括：分割模块、特征融合模块和鉴别器模块；所述分割模块为基于所述预设训练样本集得到断层特征的模块；所述特征融合模块为用于将断层特征与地震数据融合为全局特征图的模块；
所述检测装置，用于基于所述训练之后的目标对抗神经网络，对目标地震图像进行地震断层检测；
所述训练装置还用于：
第一训练步骤：基于平衡交叉熵损失函数，利用所述预设训练样本集对所述分割模块进行训练，得到训练之后的分割模块；
预测步骤：将所述预设训练样本集代入到所述训练之后的分割模块，得到预测的断层特征；
融合步骤：基于所述特征融合模块，将地震数据与所述预测的断层特征融合为全局特征图；
第二训练步骤：基于分类交叉熵损失函数，利用所述全局特征图对所述鉴别器模块进行训练，得到训练之后的鉴别器模块；
鉴别步骤：将所述全局特征图代入到所述训练之后的鉴别器模块，得到鉴别差异值；
更新步骤：基于所述鉴别差异值和正则化损失函数，对所述平衡交叉熵损失函数进行更新，并重复所述第一训练步骤到所述更新步骤，直到所述鉴别差异值小于预设阈值结束训练。
6.根据权利要求5所述的系统，其特征在于，所述特征融合模块，还用于：
对所述预测的断层特征进行局部特征反转，得到所述预测的断层特征的关注度；
计算所述关注度与所述地震数据的点积，并进行局部对比度归一化处理，得到所述全局特征图。
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至4任一项所述的方法的步骤。
8.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行所述权利要求1-4任一项所述方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111001525.3A CN113703048B (zh) | 2021-08-30 | 2021-08-30 | 对抗神经网络高分辨率地震断层检测方法和系统 |
| US17/897,736 US20230078158A1 (en) | 2021-08-30 | 2022-08-29 | High-resolution Seismic Fault Detection with Adversarial Neural Networks and Regularization |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111001525.3A CN113703048B (zh) | 2021-08-30 | 2021-08-30 | 对抗神经网络高分辨率地震断层检测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113703048A CN113703048A (zh) | 2021-11-26 |
| CN113703048B true CN113703048B (zh) | 2022-08-23 |
Family
ID=78656551
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111001525.3A Active CN113703048B (zh) | 2021-08-30 | 2021-08-30 | 对抗神经网络高分辨率地震断层检测方法和系统 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20230078158A1 (zh) |
| CN (1) | CN113703048B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11947061B2 (en) * | 2019-10-18 | 2024-04-02 | Korea University Research And Business Foundation | Earthquake event classification method using attention-based convolutional neural network, recording medium and device for performing the method |
| CN115880505B (zh) * | 2023-03-08 | 2023-05-09 | 山东科技大学 | 一种目标边缘检测神经网络的低序级断层智能识别方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108268870A (zh) * | 2018-01-29 | 2018-07-10 | 重庆理工大学 | 基于对抗学习的多尺度特征融合超声图像语义分割方法 |
| CN109086773A (zh) * | 2018-08-29 | 2018-12-25 | 电子科技大学 | 基于全卷积神经网络的断层面识别方法 |
| CN110516740A (zh) * | 2019-08-28 | 2019-11-29 | 电子科技大学 | 一种基于Unet++卷积神经网络的断层识别方法 |
| WO2021050122A1 (en) * | 2019-09-12 | 2021-03-18 | Landmark Graphics Corporation | Geological feature detection using generative adversarial neural networks |
| CN112711072A (zh) * | 2020-12-23 | 2021-04-27 | 西安交通大学 | 基于Res U-net的三维地震数据断层识别方法 |
| CN112906626A (zh) * | 2021-03-12 | 2021-06-04 | 李辉 | 一种基于人工智能断层识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020123097A1 (en) * | 2018-12-11 | 2020-06-18 | Exxonmobil Upstream Research Company | Training machine learning systems for seismic interpretation |
-
2021
- 2021-08-30 CN CN202111001525.3A patent/CN113703048B/zh active Active
-
2022
- 2022-08-29 US US17/897,736 patent/US20230078158A1/en active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108268870A (zh) * | 2018-01-29 | 2018-07-10 | 重庆理工大学 | 基于对抗学习的多尺度特征融合超声图像语义分割方法 |
| CN109086773A (zh) * | 2018-08-29 | 2018-12-25 | 电子科技大学 | 基于全卷积神经网络的断层面识别方法 |
| CN110516740A (zh) * | 2019-08-28 | 2019-11-29 | 电子科技大学 | 一种基于Unet++卷积神经网络的断层识别方法 |
| WO2021050122A1 (en) * | 2019-09-12 | 2021-03-18 | Landmark Graphics Corporation | Geological feature detection using generative adversarial neural networks |
| CN112711072A (zh) * | 2020-12-23 | 2021-04-27 | 西安交通大学 | 基于Res U-net的三维地震数据断层识别方法 |
| CN112906626A (zh) * | 2021-03-12 | 2021-06-04 | 李辉 | 一种基于人工智能断层识别方法 |
Non-Patent Citations (6)
| Title |
|---|
| Automated design of a convolutional neural network with multi-scale filters for cost-efficient seismic data classification;Zhi Geng et al.;《Nature Communications》;20201022;第1-11页 * |
| Automated fault detection without seismic processing;Mauricio Araya-Polo et al.;《The Leading Edge》;20170302;第36卷(第3期);第208-214页 * |
| João Paulo Navarro et al..Real-time seismic attributes computation with conditional GANs.《SEG Technical Program Expanded Abstracts 2020》.2020,第1-6页. * |
| Multiple Events Detection In Seismic Structures Using A Novel U-Net Variant;Mustafa Alfarhan et al.;《2020 IEEE International Conference on Image Processing (ICIP)》;20200930;第2900-2904页 * |
| 基于人工智能的断层自动识别研究进展;陈桂 等;《地球物理学进展》;20210228;第36卷(第1期);第119-131页 * |
| 基于深度卷积神经网络的地震数据断层识别方法;常德宽 等;《石油地球物理勘探》;20210228;第56卷(第1期);第1-9页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113703048A (zh) | 2021-11-26 |
| US20230078158A1 (en) | 2023-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kakogeorgiou et al. | Evaluating explainable artificial intelligence methods for multi-label deep learning classification tasks in remote sensing | |
| CN110472627B (zh) | 一种端到端的sar图像识别方法、装置及存储介质 | |
| Liu et al. | A deep convolutional coupling network for change detection based on heterogeneous optical and radar images | |
| Shi et al. | Automatic salt-body classification using a deep convolutional neural network | |
| Zhang et al. | Global and local saliency analysis for the extraction of residential areas in high-spatial-resolution remote sensing image | |
| CN113703048B (zh) | 对抗神经网络高分辨率地震断层检测方法和系统 | |
| US11620727B2 (en) | Image analysis well log data generation | |
| Kamangir et al. | Deep hybrid wavelet network for ice boundary detection in radra imagery | |
| JP2024513596A (ja) | 画像処理方法および装置、ならびにコンピュータ可読ストレージ媒体 | |
| KR102317856B1 (ko) | 이동 물체 탐지 방법 및 장치 | |
| Ichim et al. | Road detection and segmentation from aerial images using a CNN based system | |
| CN114997501A (zh) | 基于样本失衡的深度学习矿产资源分类预测方法及系统 | |
| Venugopal | Sample selection based change detection with dilated network learning in remote sensing images | |
| CN106056577A (zh) | 基于mds‑srm混合级联的sar图像变化检测方法 | |
| Yildirim et al. | Ship detection in optical remote sensing images using YOLOv4 and Tiny YOLOv4 | |
| Pires et al. | An efficient cascaded model for ship segmentation in aerial images | |
| CN107292268A (zh) | 快速脊波反卷积结构学习模型的sar图像语义分割方法 | |
| Liang et al. | Adaptive multiple kernel fusion model using spatial-statistical information for high resolution SAR image classification | |
| CN105160666B (zh) | 基于非平稳分析与条件随机场的sar图像变化检测方法 | |
| CN117710728A (zh) | Sar图像目标识别方法、装置、计算机设备和存储介质 | |
| Zhao et al. | Three-class change detection in synthetic aperture radar images based on deep belief network | |
| Shang et al. | Spectral–spatial generative adversarial network for super-resolution land cover mapping with multispectral remotely sensed imagery | |
| CN109242832A (zh) | 一种多时相多光谱遥感影像变化检测方法及系统 | |
| Celik et al. | Change detection without difference image computation based on multiobjective cost function optimization | |
| Jiang et al. | A robust end-to-end deep learning framework for detecting Martian landforms with arbitrary orientations |
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 |