CN115331047A - 基于注意力机制的地震图像解释方法 - Google Patents

基于注意力机制的地震图像解释方法 Download PDF

Info

Publication number
CN115331047A
CN115331047A CN202210857112.3A CN202210857112A CN115331047A CN 115331047 A CN115331047 A CN 115331047A CN 202210857112 A CN202210857112 A CN 202210857112A CN 115331047 A CN115331047 A CN 115331047A
Authority
CN
China
Prior art keywords
seismic
image
interpretation
descriptor
module
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.)
Pending
Application number
CN202210857112.3A
Other languages
English (en)
Inventor
李泽瑞
康宇
吕文君
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.)
Institute of Artificial Intelligence of Hefei Comprehensive National Science Center
Original Assignee
Institute of Artificial Intelligence of Hefei Comprehensive National Science Center
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 Institute of Artificial Intelligence of Hefei Comprehensive National Science Center filed Critical Institute of Artificial Intelligence of Hefei Comprehensive National Science Center
Priority to CN202210857112.3A priority Critical patent/CN115331047A/zh
Publication of CN115331047A publication Critical patent/CN115331047A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明涉及地震图像解释领域，公开了一种基于注意力机制的地震图像解释方法，通过调整局部的地震属性及空间信息的注意力，加强对分割有用的像素及属性，抑制无用的像素或属性，可加快训练过程，提升解释性能。

Description

基于注意力机制的地震图像解释方法
技术领域
本发明涉及地震图像解释领域，具体涉及一种基于注意力机制的地震图像解释方法。
背景技术
地震勘探根据地震反射信号可了解地下地质构造，地震属性是地震数据通过数学变换得到的地震波的几何学、运动学或统计学特征，可认为是地震数据中反映不同地质特征的分量；地震属性种类很多，融合不同的地震属性可提升地震解释结果的可靠性，然而由于在不同的解释任务中不同属性可能会发挥不同的作用，某些属性也可能是冗余的，因此如何在解释中考虑不同属性的作用以提升解释效果是一个重要问题。
地震数据可当作图像进行处理，通过计算多种地震属性，将每个属性作为一个通道，即可得到多通道的图像，由于图像处理技术，特别是基于深度学习的图像处理可达到很好的效果，将这些技术用于地震图像的解释也得到了很多研究者的关注。例如，文献《三维地震图像中的异常体识别方法研究》中分别从特征提取和分割方法两个方面提出了异常体的识别方法，包括基于主成分分析来进行边缘增强；通过融合不同地震属性，且用不同方式对其建模，然后实现分割等。然而，在该技术中，基于边缘特征的地震属性和基于区域特征的地震属性是通过确定的系数进行融合的，其各自的系数需要在计算之前自行设定，因此系数的值将直接影响分割效果。
专利《一种地震断层图像处理方法》(CN111382799A)包括以下步骤：地震断层图像数据集的获取；对地震断层图像数据集进行预处理；构建地震断层图像处理网络；地震断层图像处理网络的训练；获取待处理的地震断层图像数据；地震断层图像的处理。该专利主要是为了解决标注地震数据不足的问题，通过少量标注的地震数据生成贴近自然的地质数据，并利用三维的卷积积分网络对未知数据判断，从而提高地震断层识别的效率。然而该专利使用原始的地震数据作为输入，CNN网络提取的特征可解释性不足。
发明内容
为解决上述技术问题，本发明提供一种基于注意力机制的地震图像解释方法。
为解决上述技术问题，本发明采用如下技术方案：
一种基于注意力机制的地震图像解释方法，包括以下步骤：
步骤一：收集地震图像的数据集及对应的解释结果，记第i幅地震图像为
Figure BDA0003756045350000021
其中i＝1,2,…,Ur，Ur表示数据集中地震图像的数量，
Figure BDA0003756045350000022
分别为地震图像的长、宽和地震属性数量；将地震图像统一分割成长和宽均为wu的分割图像，组成训练样本，其中分割图像的地震属性数量仍为
Figure BDA0003756045350000023
分割图像的数量记为Uu；
步骤二：设定解释网络F的结构以及目标函数，目标函数为：
Figure BDA0003756045350000024
其中，np为分割图像的像素数量；C为类别数量；
Figure BDA0003756045350000025
表示是否分类正确，如果分割图像第i个像素的真实类别为c(c＝1,2,…,C)，则
Figure BDA0003756045350000026
否则
Figure BDA0003756045350000027
Figure BDA0003756045350000028
表示将分割图像第i个像素分为类别c的概率；
步骤三：将训练样本中的分割图像输入到解释网络F中，并采用梯度下降方法进行训练直到目标函数收敛，得到网络参数，同时获得训练完毕的解释网络G；
步骤四：将待解释的地震图像X分割为长和宽均为wu的分割图像后，输入至训练完毕的解释网络G，得到解释结果，将所有分割图像的解释结果组合即可得到待解释的地震图像X的解释结果。
具体地，步骤二中的解释网络F包括F1模块、F2模块和F3模块；F1模块以分割图像作为输入，并根据局部属性注意力机制得到增强特征图h1；F2模块以增强特征图h1作为输入，并根据空间注意力机制进一步进行特征增强，得到增强特征图h2；F3模块为基于图像分割网络的分类器，F3模块以增强特征图h2作为输入，通过特征学习得到最终的解释结果
Figure BDA0003756045350000029
具体地，F1模块以分割图像作为输入并根据局部属性注意力机制得到增强特征图h1时，具体包括以下步骤：
将输入的分割图像uX再分割成长和宽分别为hp和wp的图像块，计算图像块第a个地震属性的平均描述子
Figure BDA00037560453500000210
以及最大描述子
Figure BDA0003756045350000031
其中va(i,j)表示图像块第a个地震属性中(i,j)处的像素值，
Figure BDA0003756045350000032
Figure BDA0003756045350000033
个地震属性的平均描述子和最大描述子分别组成向量avez和maxz，则联合描述子conz＝avez+maxz，联合描述子conz的维度为
Figure BDA0003756045350000034
联合描述子图
Figure BDA0003756045350000035
联合描述子图Zh的行数和列数分别为
Figure BDA0003756045350000036
生成注意力图
Figure BDA0003756045350000037
其中Hr表示降维比为r的1×1卷积，Hi为将维度还原为
Figure BDA0003756045350000038
的1×1卷积，σ和δ分别表示Sigmoid函数和ReLU函数，FU表示上采样操作；
然后得到所述的增强特征图
Figure BDA0003756045350000039
其中◇表示按元素相乘。
具体地，F2模块以增强特征图h1作为输入，并根据空间注意力机制进一步进行特征增强得到增强特征图h2时，包括以下步骤：
计算增强特征图h1空间点(i,j)处的平均描述子avezi,j和最大描述子maxzi,j：
Figure BDA00037560453500000310
Figure BDA00037560453500000311
平均描述子avezi,j对应的平均描述子图为
Figure BDA00037560453500000312
最大描述子maxzi,j对应的最大描述子图
Figure BDA00037560453500000313
则增强特征图h2＝h1+h1σ[HcZcon]，Zcon表示将aveZ和maxZ串联得到的联合描述子图，Hc表示将联合描述子图Zcon的维度转换为1的1×1卷积。
与现有技术相比，本发明的有益技术效果是：
本发明提出一种基于注意力机制的地震图像解释方法，该方法通过调整局部的地震属性及空间信息的注意力，加强对分割有用的像素及属性，抑制无用的像素或属性，可加快训练过程，提升解释性能。
附图说明
图1为本发明的整体流程示意图。
具体实施方式
下面结合附图对本发明的一种优选实施方式作详细的说明。
一种基于注意力机制的地震图像解释方法，包括以下步骤：
S1：收集地震图像的数据集及对应的解释结果，记第i幅地震图像为
Figure BDA0003756045350000041
其中i＝1,2,…,Ur，Ur表示数据集中地震图像的数量，
Figure BDA0003756045350000042
分别为地震图像的长、宽和地震属性数量；由于地震图像通常是反映大范围的地下地质构造信息的图像，因此为了充分利用其信息，首先将地震图像分割为统一大小的长和宽均为wu的图像，通道数仍为
Figure BDA0003756045350000043
记分割之后得到的分割图像总数为Uu；
S2：设定解释网络F的结构以及目标函数，目标函数为：
Figure BDA0003756045350000044
其中，np为分割图像的像素数量；C为类别数量；
Figure BDA0003756045350000045
表示是否分类正确，如果分割图像第i个像素的真实类别为c(c＝1,2,…,C)，则
Figure BDA0003756045350000046
否则
Figure BDA0003756045350000047
Figure BDA0003756045350000048
表示将分割图像第i个像素分为类别c的概率。
具体地，步骤二中的解释网络F包括F1模块、F2模块和F3模块；其中F1模块以长和宽均为wu的分割图像作为输入，并根据局部属性注意力机制得到增强特征图h1；F2模块以增强特征图h1作为输入，并根据空间注意力机制进一步进行特征增强，得到增强特征图h2；F3模块为分类器，可采用任意的图像分割网络，一种可用的结构是基于Unet神经网络结构，包括多层特征提取和多层特征融合，F3模块以增强特征图h2作为输入，通过特征学习得到最终的解释结果
Figure BDA0003756045350000049
其中，F1模块以分割图像作为输入并根据局部属性注意力机制得到增强特征图h1时，具体包括以下步骤：
将输入的分割图像uX再分割成长和宽分别为hp和wp的图像块，计算图像块第a个地震属性的平均描述子
Figure BDA00037560453500000410
以及最大描述子maxzz＝max({va(1,1),…,va(1,wp),…,va(hp,1),…,va(hp,wp)})；其中va(i,j)表示图像块第a个地震属性中(i,j)处的像素值，
Figure BDA00037560453500000411
Figure BDA00037560453500000412
个地震属性的平均描述子和最大描述子分别组成向量avez和maxz，则联合描述子conz＝avez+maxz，联合描述子conz的维度为
Figure BDA00037560453500000413
联合描述子图
Figure BDA00037560453500000414
联合描述子图Zh的行数和列数分别为
Figure BDA0003756045350000051
生成注意力图
Figure BDA0003756045350000052
其中Hr表示降维比为r的1×1卷积，Hi为将维度还原为
Figure BDA0003756045350000053
的1×1卷积，σ和δ分别表示Sigmoid函数和ReLU函数，FU表示上采样操作；
然后得到所述的增强特征图
Figure BDA0003756045350000054
其中◇表示按元素相乘。
其中，F2模块以增强特征图h1作为输入，并根据空间注意力机制进一步进行特征增强得到增强特征图h2时，包括以下步骤：
计算增强特征图h1空间点(i,j)处的平均描述子avezi,j和最大描述子maxzi,j：
Figure BDA0003756045350000055
Figure BDA0003756045350000056
平均描述子avezi,j对应的平均描述子图为
Figure BDA0003756045350000057
最大描述子maxzi,j对应的最大描述子图
Figure BDA0003756045350000058
则增强特征图h2＝h1+h1σ[HcZcon]，Zcon表示将aveZ和maxZ串联得到的联合描述子图，Hc表示将联合描述子图Zcon的维度转换为1的1×1卷积。
S3：将训练样本中的分割图像输入到解释网络F中，并采用梯度下降方法进行训练直到目标函数收敛，得到网络参数，同时获得训练完毕的解释网络G。
S4：将待解释的地震图像X分割为长和宽均为wu的分割图像后，输入至训练完毕的解释网络G，得到解释结果，将所有分割图像的解释结果组合即可得到待解释的地震图像X的解释结果。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立技术方案，说明书的这种叙述方式仅仅是为了清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (4)

1.一种基于注意力机制的地震图像解释方法，包括以下步骤：
步骤一：收集地震图像的数据集及对应的解释结果，记第i幅地震图像为
Figure FDA0003756045340000011
其中i＝1，2，...，Ur，Ur表示数据集中地震图像的数量，Mr，Nr，
Figure FDA0003756045340000012
分别为地震图像的长、宽和地震属性数量；将地震图像统一分割成长和宽均为wu的分割图像，组成训练样本，其中分割图像的地震属性数量仍为
Figure FDA0003756045340000013
分割图像的数量记为Uu；
步骤二：设定解释网络F的结构以及目标函数，目标函数为：
Figure FDA0003756045340000014
其中，np为分割图像的像素数量；C为类别数量；
Figure FDA0003756045340000015
表示是否分类正确，如果分割图像第i个像素的真实类别为c(c＝1，2，...，C)，则
Figure FDA0003756045340000016
否则
Figure FDA0003756045340000017
Figure FDA0003756045340000018
表示将分割图像第i个像素分为类别c的概率；
步骤三：将训练样本中的分割图像输入到解释网络F中，并采用梯度下降方法进行训练直到目标函数收敛，得到网络参数，同时获得训练完毕的解释网络G；
步骤四：将待解释的地震图像X分割为长和宽均为wu的分割图像后，输入至训练完毕的解释网络G，得到解释结果，将所有分割图像的解释结果组合即可得到待解释的地震图像X的解释结果。
2.根据权利要求1所述的基于注意力机制的地震图像解释方法，其特征在于：步骤二中的解释网络F包括F1模块、F2模块和F3模块；F1模块以分割图像作为输入，并根据局部属性注意力机制得到增强特征图h1；F2模块以增强特征图h1作为输入，并根据空间注意力机制进一步进行特征增强，得到增强特征图h2；F3模块为基于图像分割网络的分类器，F3模块以增强特征图h2作为输入，通过特征学习得到最终的解释结果
Figure FDA0003756045340000019
3.根据权利要求2所述的基于注意力机制的地震图像解释方法，其特征在于：F1模块以分割图像作为输入并根据局部属性注意力机制得到增强特征图h1时，具体包括以下步骤：
将输入的分割图像uX再分割成长和宽分别为hp和wp的图像块，计算图像块第a个地震属性的平均描述子
Figure FDA0003756045340000021
以及最大描述子maxza＝max({va(1，1)，...，va(1，wp)，...，va(hp，1)，...，va(hp，wp)})；其中va(i，j)表示图像块第a个地震属性中(i，j)处的像素值，
Figure FDA0003756045340000022
Figure FDA0003756045340000023
个地震属性的平均描述子和最大描述子分别组成向量avez和maxz，则联合描述子conz＝avez+maxz，联合描述子conz的维度为
Figure FDA0003756045340000024
联合描述子图
Figure FDA0003756045340000025
联合描述子图Zh的行数和列数分别为
Figure FDA0003756045340000026
生成注意力图
Figure FDA0003756045340000027
其中Hr表示降维比为r的1×1卷积，Hi为将维度还原为
Figure FDA0003756045340000028
的1×1卷积，σ和δ分别表示Sigmoid函数和ReLU函数，FU表示上采样操作；
然后得到所述的增强特征图
Figure FDA0003756045340000029
其中
Figure FDA00037560453400000214
表示按元素相乘。
4.根据权利要求3所述的基于注意力机制的地震图像解释方法，其特征在于：F2模块以增强特征图h1作为输入，并根据空间注意力机制进一步进行特征增强得到增强特征图h2时，包括以下步骤：
计算增强特征图h1空间点(i，j)处的平均描述子avezi，j和最大描述子maxzi，j：
Figure FDA00037560453400000210
Figure FDA00037560453400000211
平均描述子avezi，j对应的平均描述子图为
Figure FDA00037560453400000212
最大描述子maxzi，j对应的最大描述子图
Figure FDA00037560453400000213
则增强特征图h2＝h1+h1σ[HcZcon]，Zcon表示将aveZ和maxZ串联得到的联合描述子图，Hc表示将联合描述子图Zcon的维度转换为1的1×1卷积。
CN202210857112.3A 2022-07-20 2022-07-20 基于注意力机制的地震图像解释方法 Pending CN115331047A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210857112.3A CN115331047A (zh) 2022-07-20 2022-07-20 基于注意力机制的地震图像解释方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210857112.3A CN115331047A (zh) 2022-07-20 2022-07-20 基于注意力机制的地震图像解释方法

Publications (1)

Publication Number Publication Date
CN115331047A true CN115331047A (zh) 2022-11-11

Family

ID=83918120

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210857112.3A Pending CN115331047A (zh) 2022-07-20 2022-07-20 基于注意力机制的地震图像解释方法

Country Status (1)

Country Link
CN (1) CN115331047A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116401597A (zh) * 2023-06-09 2023-07-07 中国科学技术大学先进技术研究院 地震解释模型构建方法、电子设备及可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116401597A (zh) * 2023-06-09 2023-07-07 中国科学技术大学先进技术研究院 地震解释模型构建方法、电子设备及可读存储介质
CN116401597B (zh) * 2023-06-09 2023-08-22 中国科学技术大学先进技术研究院 地震解释模型构建方法、电子设备及可读存储介质

Similar Documents

Publication Publication Date Title
CN112116605B (zh) 一种基于集成深度卷积神经网络的胰腺ct图像分割方法
CN109523521B (zh) 基于多切片ct图像的肺结节分类和病灶定位方法和系统
Chen et al. The face image super-resolution algorithm based on combined representation learning
CN108764063B (zh) 一种基于特征金字塔的遥感影像时敏目标识别系统及方法
CN111563507B (zh) 一种基于卷积神经网络的室内场景语义分割方法
CN111583263A (zh) 一种基于联合动态图卷积的点云分割方法
CN111738363B (zh) 基于改进的3d cnn网络的阿尔茨海默病分类方法
CN110826462A (zh) 一种非局部双流卷积神经网络模型的人体行为识别方法
CN110246171B (zh) 一种实时单目视频深度估计方法
CN104484886A (zh) 一种mr图像的分割方法及装置
CN111652273A (zh) 一种基于深度学习的rgb-d图像分类方法
CN110851627B (zh) 一种用于描述全日面图像中太阳黑子群的方法
Wiling Locust Genetic Image Processing Classification Model-Based Brain Tumor Classification in MRI Images for Early Diagnosis
CN115331047A (zh) 基于注意力机制的地震图像解释方法
CN117079098A (zh) 一种基于位置编码的空间小目标检测方法
CN117274608B (zh) 基于空间细节感知和注意力引导的遥感图像语义分割方法
CN111242028A (zh) 基于U-Net的遥感图像地物分割方法
CN112528058B (zh) 基于图像属性主动学习的细粒度图像分类方法
CN110210562B (zh) 基于深度网络和稀疏Fisher矢量的图像分类方法
Qiao et al. No-reference quality assessment for neutron radiographic image based on a deep bilinear convolutional neural network
CN113344110B (zh) 一种基于超分辨率重建的模糊图像分类方法
CN116343016A (zh) 一种基于轻量型卷积网络的多角度声呐图像目标分类方法
CN115578599A (zh) 一种基于超像素-超图特征增强网络的极化sar图像分类方法
CN113192076B (zh) 联合分类预测和多尺度特征提取的mri脑肿瘤图像分割方法
CN115410035A (zh) 基于监控视频的空中交通管制员不安全行为分类方法

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