CN116401597B - 地震解释模型构建方法、电子设备及可读存储介质 - Google Patents
地震解释模型构建方法、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN116401597B CN116401597B CN202310677544.0A CN202310677544A CN116401597B CN 116401597 B CN116401597 B CN 116401597B CN 202310677544 A CN202310677544 A CN 202310677544A CN 116401597 B CN116401597 B CN 116401597B
- Authority
- CN
- China
- Prior art keywords
- model
- seismic
- sample
- scale
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000006870 function Effects 0.000 claims abstract description 162
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000010276 construction Methods 0.000 claims description 27
- 238000005259 measurement Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000003044 adaptive effect Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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. analysis, for interpretation, for correction
- G01V1/282—Application of seismic models, synthetic seismograms
-
- G01V20/00—
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Abstract
本申请公开了地震解释模型构建方法、电子设备及可读存储介质,包括:获取由地震真实样本数据合成的地震样本标签数据;将地震样本标签数据输入预设地震解释模型,得到预设地震解释模型的多尺度学习模型输出的样本学习特征和多尺度指导模型输出的样本指导特征;根据样本学习特征和样本指导特征,确定由标签分类损失函数、域间差异损失函数和一致性损失函数共同组成的目标损失函数;根据地震真实样本数据和地震样本标签数据和目标损失函数,迭代训练多尺度学习模型;通过更新多尺度学习模型的第一模型参数和多尺度指导模型的第二模型参数,得到目标地震解释模型。本申请解决了由于地震合成图像缺乏真实标签,导致地震解释模型准确度低的技术问题。
Description
技术领域
本申请涉及机器学习技术领域,尤其涉及一种地震解释模型构建方法、电子设备及可读存储介质。
背景技术
合成地震图像指的是在一定的假定条件下,通过人工或者计算机模拟生成的地震图像,通常用于模拟各种地下构造情况下的地震响应,由于其能够提供更多的数据样本,从而使得模型在真实地震图像上的表现更为准确。
目前,在训练地震解释模型时,为了避免采集大量的真实地震数据,通常将合成地震图像作为训练样本,但是,由于合成地震图像缺乏真实标签,其直接结果是导致训练后的地震解释模型输出的预测结果缺乏真实性,从而影响构建的地震解释模型的准确度。
发明内容
本申请的主要目的在于提供一种地震解释模型构建方法、电子设备及可读存储介质,旨在解决现有技术中由于地震合成图像缺乏真实标签,从而导致地震解释模型准确度低的技术问题。
为实现上述目的,本申请提供一种地震解释模型构建方法,所述地震解释模型构建方法包括:
获取由至少一个地震真实样本数据合成的地震样本标签数据;
将所述地震样本标签数据输入至预设地震解释模型,提取样本学习特征和样本指导特征,其中,所述样本学习特征由所述预设地震解释模型的多尺度学习模型输出,所述样本指导特征由所述预设地震解释模型的多尺度指导模型输出;
根据所述样本学习特征和所述样本指导特征,确定目标损失函数,其中,所述目标损失函数由标签分类损失函数、域间差异损失函数和一致性损失函数共同组成;
根据所述地震真实样本数据和所述地震样本标签数据和所述目标损失函数,迭代训练所述多尺度学习模型;
通过更新所述多尺度学习模型的第一模型参数和所述多尺度指导模型的第二模型参数,得到目标地震解释模型,其中,所述第二模型参数由所述第一模型参数进行指数移动平均得到,其中,基于合成地震图像进行训练得到的地震解释模型输出的地震预测结果进行地震预测,所述域间差异损失函数如下:
其中,为所述域间差异损失函数,/>为所述多尺度学习模型的第一域间差异损失函数,/>为所述多尺度指导模型的第二域间差异损失函数,m为样本数量,/>为第i个地震样本的域标签,/>为第i个样本数据经过所述多尺度学习模型的域鉴别器的输出,/>为第i个样本数据经过所述多尺度指导模型的域鉴别器的输出,其中,域鉴别器用于判别所述样本数据为所述地震真实样本数据或所述地震样本标签数据。
为实现上述目的,本申请还提供一种地震解释模型构建装置,所述地震解释模型构建装置包括:
获取模块,用于获取由至少一个地震真实样本数据合成的地震样本标签数据;
特征提取模块,用于将所述地震样本标签数据输入至预设地震解释模型,提取样本学习特征和样本指导特征,其中,所述样本学习特征由所述预设地震解释模型的多尺度学习模型输出,所述样本指导特征由所述预设地震解释模型的多尺度指导模型输出;
确定模块,用于根据所述样本学习特征和所述样本指导特征,确定目标损失函数,其中,所述目标损失函数由标签分类损失函数、域间差异损失函数和一致性损失函数共同组成;
训练模块,用于根据所述地震真实样本数据和所述地震样本标签数据和所述目标损失函数,迭代训练所述多尺度学习模型;
更新模块,用于通过更新所述多尺度学习模型的第一模型参数和所述多尺度指导模型的第二模型参数,得到目标地震解释模型,其中,所述第二模型参数由所述第一模型参数进行指数移动平均得到,其中,基于合成地震图像进行训练得到的地震解释模型输出的地震预测结果进行地震预测,所述域间差异损失函数如下:
其中,为所述域间差异损失函数,/>为所述多尺度学习模型的第一域间差异损失函数,/>为所述多尺度指导模型的第二域间差异损失函数,m为样本数量,/>为第i个地震样本的域标签,/>为第i个样本数据经过所述多尺度学习模型的域鉴别器的输出,/>为第i个样本数据经过所述多尺度指导模型的域鉴别器的输出,其中,域鉴别器用于判别所述样本数据为所述地震真实样本数据或所述地震样本标签数据。
本申请还提供一种电子设备,所述电子设备包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述地震解释模型构建方法的程序,所述地震解释模型构建方法的程序被处理器执行时可实现如上述的地震解释模型构建方法的步骤。
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有实现地震解释模型构建方法的程序,所述地震解释模型构建方法的程序被处理器执行时实现如上述的地震解释模型构建方法的步骤。
本申请还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述的地震解释模型构建方法的步骤。
本申请提供了一种地震解释模型构建方法、电子设备及可读存储介质,也即,获取由至少一个地震真实样本数据合成的地震样本标签数据;将所述地震样本标签数据输入至预设地震解释模型,提取样本学习特征和样本指导特征,其中,所述样本学习特征由所述预设地震解释模型的多尺度学习模型输出,所述样本指导特征由所述预设地震解释模型的多尺度指导模型输出;根据所述样本学习特征和所述样本指导特征,确定目标损失函数,其中,所述目标损失函数由标签分类损失函数、域间差异损失函数和一致性损失函数共同组成;根据所述地震真实样本数据和所述地震样本标签数据和所述目标损失函数,迭代训练所述多尺度学习模型;通过更新所述多尺度学习模型的第一模型参数和所述多尺度指导模型的第二模型参数,得到目标地震解释模型,其中,所述第二模型参数由所述第一模型参数进行指数移动平均得到。这样,在构建目标地震解释模型时设置多尺度学习模型和多尺度指导模型,由于地震样本标签数据携带标签,进而在并未获取目标域真实标签的情况下使得训练样本集具备真实反馈能力,并且目标损失函数是通过将地震样本标签数据依次输入至多尺度学习模型和多尺度指导模型,进而输出的样本学习特征和样本指导特征确定的,其中,目标损失函数充分考虑到了标签分类损失、学习模型和指导模型之间的域间差异损失以及两者之间的一致性损失,进而通过地震真实样本数据和地震样本标签数据迭代训练多尺度学习模型,以保证多尺度学习模型在对应的不同地震样本真实数据上收敛,且由于多尺度指导模型的模型参数是通过多尺度学习模型的模型参数进行指数移动平均得到的,所以多尺度指导模型也得以在对应的不同地震样本真实数据上收敛,也即,使得预设地震解释模型可在不获取真实标签的基础上训练得到基准模型,并且训练得到的预设地震解释模型能够直接用于对目标域进行准确预测,所以克服了由于合成地震图像缺乏真实标签,导致训练后的地震解释模型输出的预测结果缺乏真实性的技术缺陷,所以,解决了由于地震合成图像缺乏真实标签,从而导致地震解释模型准确度低的技术问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请地震解释模型构建方法第一实施例的流程示意图;
图2为本申请地震解释模型构建方法第一实施例的多尺度学习模型的模块示意图;
图3为本申请地震解释模型构建方法第一实施例的平行卷积层的结构示意图;
图4为本申请地震解释模型构建方法第一实施例的预设地震解释模型的搭建原理图;
图5为本申请地震解释模型构建装置实施例的结构示意图;
图6为本申请实施例中地震解释模型构建方法涉及的硬件运行环境的设备结构示意图。
本申请目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅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作出创造性劳动的前提下所获得的所有其它实施例,均属于本发明保护的范围。
首先,应当理解的是,通常基于合成地震图像进行训练得到的地震解释模型输出的地震预测结果进行地震预测,通过合成地震图像训练的模型,可以避免采集大量的真实地震数据,并且不会影响实际勘探工作的进展,从而降低训练成本。此外,合成地震图像能够精确控制地震参数和地下结构参数,从而提高模型训练的精度和效率,并且能够更好地捕捉地下结构信息,从而提高地震解释的准确性和可靠性。但是,仅仅使用源域有标注数据训练的模型直接用于对目标域进行预测结果往往不能令人满意,原因在于合成地震图像缺乏真实标签,进而导致训练后的地震解释模型输出的预测结果缺乏真实性,所以,目前亟需一种能够提升通过地震解释模型进行地震预测的准确性的方法。
本申请实施例提供一种地震解释模型构建方法,在本申请地震解释模型构建方法的第一实施例中,参照图1,所述地震解释模型构建方法包括:
步骤S10,获取由至少一个地震真实样本数据合成的地震样本标签数据;
步骤S20,将所述地震样本标签数据输入至预设地震解释模型,提取样本学习特征和样本指导特征,其中,所述样本学习特征由所述预设地震解释模型的多尺度学习模型输出,所述样本指导特征由所述预设地震解释模型的多尺度指导模型输出;
步骤S30,根据所述样本学习特征和所述样本指导特征,确定目标损失函数,其中,所述目标损失函数由标签分类损失函数、域间差异损失函数和一致性损失函数共同组成;
步骤S40,根据所述地震真实样本数据和所述地震样本标签数据和所述目标损失函数,迭代训练所述多尺度学习模型;
步骤S50,通过更新所述多尺度学习模型的第一模型参数和所述多尺度指导模型的第二模型参数,得到目标地震解释模型,其中,所述第二模型参数由所述第一模型参数进行指数移动平均得到。
在本实施例中,需要说明的是,地震真实样本数据用于表征无标签的真实地震样本数据,其中,样本数据指的是对采集到的原始图像数据进行样本化处理后,其中,样本化处理执行的操作具体可以为对图像数据进行裁剪、旋转、翻转及添加噪声等,地震样本标签数据用于表征携带标签的真实地震样本数据,其中,标签具体可以为断层或者地层等,例如,在一种可实施的方式中,假设<>为无标签的真实地震样本数据,</>>为有标签的真实地震样本数据,其中,/>为地震原始图像数据,/>为标签,/>为地震样本标签数据(源域数据),/>为地震真实样本数据(目标域数据),/>为源域标签。
另外地,需要说明的是,预设地震解释模型为预先搭建的用于进行地震预测的多尺度神经网络模型,其中,预设地震解释模型设置有多尺度学习模型(学生模型)和多尺度指导模型(教师模型),多尺度学习模型和多尺度指导模型均包括编码器、解码器和多尺度特征自适应模块,其中,参照图2,图2为多尺度学习模型的模块示意图,编码器的结构具体可采用多层卷积构成的结构,解码器的结构具体可采用对应于编码器的多层反卷积构成的结构,多尺度特征自适应模块用于确定基于多尺度特征的域间自适应损失,具体可以由多个平行卷积层和基于多尺度特征的域间差异损失构成,参照图3,图3为表示平行卷积层的结构示意图,其中,平行卷积层结合了空洞卷积层,可在不丢失分辨率的情况下扩大卷积核的感受野,包含多个膨胀率不同的平行卷积层,从而捕获到多尺度特征,进一步可以计算得到基于多尺度特征的域间自适应损失。
另外地,需要说明的是,在预设地震解释模型中,多尺度学习模型通过基于多尺度特征的域间差异损失进行训练,多尺度指导模型不通过基于多尺度特征的域间差异损失进行训练,多尺度学习模型和多尺度指导模型之间相互融合,样本学习特征由所述预设地震解释模型的多尺度学习模型输出,样本指导特征由所述预设地震解释模型的多尺度学习模型输出,目标损失函数由标签分类损失函数、域间差异损失函数和一致性损失函数共同组成,其中,标签分类损失函数用于计算标签分类损失,域间差异损失函数用于计算多尺度学习模型和多尺度指导模型之间的域间差异损失,一致性损失函数用于计算多尺度学习模型和多尺度指导模型之间的一致性损失。
作为一种示例,步骤S10至步骤S50包括:采集至少一个原始地震图像数据,对各所述原始地震图像数据进行样本化处理,得到对应的至少一个地震真实样本数据,将各所述地震真实样本数据生成指定标签的地震样本标签数据;将所述地震样本标签数据输入至预设地震解释模型,通过所述预设地震解释模型的多尺度学习模型得到样本学习特征,以及通过所述预设地震解释模型的多尺度指导模型得到样本指导特征;根据所述样本学习特征和所述样本指导特征,确定目标损失函数,其中,所述目标损失函数由标签分类损失函数、域间差异损失函数和一致性损失函数共同组成;通过所述地震真实样本数据和所述地震样本标签训练,迭代训练所述多尺度学习模型,直至所述目标损失函数收敛;对所述多尺度学习模型的第一模型参数进行更新,得到更新后的第一模型参数,以及对所述更新后的第一模型参数进行指数移动平均,得到指数移动后的模型参数,将所述多尺度指导模型的第二模型参数替换为所述指数移动后的模型参数,得到目标地震解释模型。
其中,所述样本学习特征和所述样本指导特征如下:
其中,为所述样本学习特征,/>为所述样本指导特征,/>为所述多尺度学习模型的解码器,/>为所述多尺度指导模型的解码器,/>为所述多尺度学习模型的编码器,/>为所述多尺度指导模型的编码器,/>为所述多尺度学习模型的至少一个平行卷积层,/>所述多尺度指导模型的至少一个平行卷积层,/>为样本数据。
其中,所述预设地震解释模型包括标签分类器、域鉴别器和一致性度量模块,所述根据所述地震真实样本数据和所述地震样本标签数据和所述目标损失函数,迭代训练所述多尺度学习模型的步骤包括:
A10,保持所述域鉴别器和所述一致性度量模块不变,通过所述地震样本标签数据训练所述标签分类器,更新所述标签分类损失函数;
A20,保持所述标签分类器和所述一致性度量模块不变,通过所述地震真实样本数据和所述地震样本标签数据训练所述域鉴别器,更新所述域间差异损失函数;
A30,保持所述标签分类器和所述域鉴别器不变,通过所述地震真实样本数据和所述地震样本标签数据训练所述一致性度量模块,更新所述一致性损失函数;
A40,返回执行步骤:获取由至少一个地震真实样本数据合成的地震样本标签数据,直至所述目标损失函数收敛。
在本实施例中,需要说明的是,在构建未进行训练的预设地震解释模型时,可在预设地震解释模型设置标签分类器、域鉴别器和一致性度量模块,其中,参照图4,图4为预设地震解释模型的搭建原理图,标签分类器用于对输入预设地震解释模型的数据进行分类,具体可以为多层神经网络或者向量机等,域鉴别器可设置于多尺度特征自适应模块,用于鉴别输入至多尺度特征自适应模块的特征来源于地震样本标签数据或者地震真实样本数据,也即,鉴别输入特征是样本学习特征或者样本指导特征,具体可以由多层感知机以及Softmax函数构成,对于多尺度学习模型而言,其域鉴别器的域间差异损失为基于多尺度特征的域间差异自适应损失,对于多尺度指导模型而言,其域鉴别器的域间差异损失为基于图像的域间差异自适应损失,例如,在一种可实施的方式中,将地震样本标签数据标记为1,将地震真实样本数据标记为0,对于某一样本特征的输入,域鉴别器输出该样本特征来源于地震样本标签数据或者地震真实样本数据,进而亦可根据实际结果和预测值额进行域鉴别器的损失值的计算,一致性度量模块用于使样本学习特征与样本指导特征趋于一致,具体可采用均方误差损失函数(mean squared error,MSE)。
另外地,需要说明的是,可通过分别训练目标损失函数中的标签分类损失函数、域间差异损失函数和一致性损失函数的方式使得目标损失函数收敛,其中,标签分类损失函数具体可以为交叉熵损失函数,域间差异损失函数具体可由多尺度学习模型中的域鉴别器的损失函数和多尺度指导模型中的域鉴别器的损失函数组合而成,其中,两者域鉴别器的损失函数具体可以为交叉熵函数,一致性损失函数具体可定义为多尺度学习模型的预测值和多尺度指导模型的预测值之间的期望距离。
作为一种示例,步骤A10至步骤A40包括:保持所述域鉴别器和所述一致性度量模块不变,通过将所述地震样本标签数据输入所述多尺度学习特征,得到所述样本学习特征,将所述样本学习特征输入至所述标签分类器,得到标签分类预测结果,根据标签分类预测结果和所述地震样本标签数据的标签共同计算的相对于所述标签分类损失函数的模型损失,更新所述标签分类损失函数;保持所述标签分类器和所述一致性度量模块不变,通过所述地震真实样本数据和所述地震样本标签数据,通过分别训练所述多尺度学习模型的域鉴别器和所述多尺度指导模型的域鉴别器,更新所述域间差异损失;保持所述标签分类器和所述域鉴别器不变,将所述地震真实样本数据和所述地震样本标签数据依次输入所述多尺度学习模型和所述多尺度指导模型,得到所述样本学习特征和所述样本指导特征,将所述样本学习特征和所述样本指导特征共同输入至所述一致性度量模块,对所述一致性损失函数进行更新;返回执行步骤:获取由至少一个地震真实样本数据合成的地震样本标签数据,直至所述目标损失函数收敛。
其中,所述目标损失函数如下:
其中,为所述目标损失函数,/>为所述多尺度学习模型的第一模型参数,/>为所述标签分类器的模型参数,/>为所述域鉴别器的模型参数,/>为标签分类损失函数,/>为一致性损失函数,/>为域间差异损失函数。
其中,所述标签分类损失函数如下:
其中,为所述标签分类损失函数,/>为所述样本学习特征,/>为所述地震样本标签数据/>为所述地震样本标签数据的数据个数,/>表示/>属于/>类的概率,K为类别总数,/>为第i个输入的样本数据,/>,/>为所述地震真实样本数据。
其中,所述域间差异损失函数如下:
其中,为所述域间差异损失函数,/>为所述多尺度学习模型的第一域间差异损失函数,/>为所述多尺度指导模型的第二域间差异损失函数,m为样本数量,/>为第i个地震样本的域标签,/>为第i个样本数据经过所述多尺度学习模型的域鉴别器的输出,/>为第i个样本数据经过所述多尺度指导模型的域鉴别器的输出,其中,域鉴别器用于判别所述样本数据为所述地震真实样本数据或所述地震样本标签数据。
其中,在计算所述多尺度学习模型的第一域间差异损失函数和所述多尺度指导模型的第二域间差异损失函数时,对于第一域间差异损失函数,可将经过多尺度学习模型的编码器和空洞卷积得到的特征作为多尺度学习模型的域鉴别器的输入,进而计算得到多尺度学习模型的域鉴别器的输出,从而计算第一域间差异损失函数,对于第二域间差异损失函数,可将经由多尺度学习模型得到的样本学习特征通过域鉴别器进行判断,从而计算第二域间差异损失函数。
其中,所述域鉴别器的输出的计算公式如下:
其中,为所述多尺度学习模型的域鉴别器的输出或者所述多尺度指导模型的域鉴别器的输出,/>为所述多尺度学习模型的域鉴别器或者所述多尺度指导模型的域鉴别器的输出,/>为所述多尺度学习模型的解码器或者所述多尺度指导模型的解码器,为所述多尺度学习模型的平行卷积层或者所述多尺度指导模型的平行卷积层,为所述多尺度学习模型的编码器或者所述多尺度指导模型的编码器,/>为所述样本数据。
在一种可实施的方式中,所述多尺度学习模型的域鉴别器的输出如下:
其中,为多尺度学习模型的域鉴别器的输出,/>为多尺度学习模型的域鉴别器,/>为多尺度学习模型的平行卷积层,/>为所述多尺度学习模型的编码器;所述多尺度指导模型的域鉴别器的输出如下:
其中,为多尺度指导模型的域鉴别器的输出,/>为多尺度指导模型的解码器,/>为多尺度指导模型的编码器,/>为多尺度指导模型的平行卷积层。
其中,由所述第一模型参数进行指数移动平均得到所述第二模型参数的具体步骤如下:
其中,为第/>轮训练的第二模型参数,/>为第/>轮训练的第一模型参数,/>为第/>-1轮训练的第一模型参数,/>用于表征训练轮数,/>为平滑系数超参数,其中,。
其中,所述一致性损失函数如下:
其中,为所述述一致性损失函数,/>为所述多尺度学习模型的模型权重,/>所述多尺度学习模型的噪声,/>为所述多尺度指导模型的模型权重,/>为所述多尺度指导模型的噪声,/>为均方误差损失函数,/>为所述样本数据。
这样,通过更新标签分类损失函数,得以保证有标签数据拟合,通过更新一致性分类损失函数,得以保证多尺度学习模型的预测结果和多尺度指导模型的预测结果尽量相似,通过更新域间差异损失函数,得以的保证两个域间的分布对齐,进而即可实现在缺乏真实标签的情况下训练出地震解释模型,与此同时,充分利用了数据特征,通过设计多尺度特征自适应模块实现对多尺度特征的捕获,以及通过引入域间差异度量实现多尺度特征的分布对齐,使得模型能够通过对抗式训练获得更好的性能,并且保持了特征的地球物理意义,建模过程具备一定的可解释性。
本申请实施例提供了一种地震解释模型构建方法,也即,获取由至少一个地震真实样本数据合成的地震样本标签数据;将所述地震样本标签数据输入至预设地震解释模型,提取样本学习特征和样本指导特征,其中,所述样本学习特征由所述预设地震解释模型的多尺度学习模型输出,所述样本指导特征由所述预设地震解释模型的多尺度指导模型输出;根据所述样本学习特征和所述样本指导特征,确定目标损失函数,其中,所述目标损失函数由标签分类损失函数、域间差异损失函数和一致性损失函数共同组成;根据所述地震真实样本数据和所述地震样本标签数据和所述目标损失函数,迭代训练所述多尺度学习模型;通过更新所述多尺度学习模型的第一模型参数和所述多尺度指导模型的第二模型参数,得到目标地震解释模型,其中,所述第二模型参数由所述第一模型参数进行指数移动平均得到。这样,在构建目标地震解释模型时设置多尺度学习模型和多尺度指导模型,由于地震样本标签数据携带标签,进而在并未获取目标域真实标签的情况下使得训练样本集具备真实反馈能力,并且目标损失函数是通过将地震样本标签数据依次输入至多尺度学习模型和多尺度指导模型,进而输出的样本学习特征和样本指导特征确定的,其中,目标损失函数充分考虑到了标签分类损失、学习模型和指导模型之间的域间差异损失以及两者之间的一致性损失,进而通过地震真实样本数据和地震样本标签数据迭代训练多尺度学习模型,以保证多尺度学习模型在对应的不同地震样本真实数据上收敛,且由于多尺度指导模型的模型参数是通过多尺度学习模型的模型参数进行指数移动平均得到的,所以多尺度指导模型也得以在对应的不同地震样本真实数据上收敛,也即,使得预设地震解释模型可在不获取真实标签的基础上训练得到基准模型,并且训练得到的预设地震解释模型能够直接用于对目标域进行准确预测,所以克服了由于合成地震图像缺乏真实标签,导致训练后的地震解释模型输出的预测结果缺乏真实性的技术缺陷,所以,解决了由于地震合成图像缺乏真实标签,从而导致地震解释模型准确度低的技术问题。
本申请实施例还提供一种地震解释模型构建装置,参照图5,所述地震解释模型构建装置包括:
获取模块101,用于获取由至少一个地震真实样本数据合成的地震样本标签数据;
特征提取模块102,用于将所述地震样本标签数据输入至预设地震解释模型,提取样本学习特征和样本指导特征,其中,所述样本学习特征由所述预设地震解释模型的多尺度学习模型输出,所述样本指导特征由所述预设地震解释模型的多尺度指导模型输出;
确定模块103,用于根据所述样本学习特征和所述样本指导特征,确定目标损失函数,其中,所述目标损失函数由标签分类损失函数、域间差异损失函数和一致性损失函数共同组成;
训练模块104,用于根据所述地震真实样本数据和所述地震样本标签数据和所述目标损失函数,迭代训练所述多尺度学习模型;
更新模块105,用于通过更新所述多尺度学习模型的第一模型参数和所述多尺度指导模型的第二模型参数,得到目标地震解释模型,其中,所述第二模型参数由所述第一模型参数进行指数移动平均得到,其中,基于合成地震图像进行训练得到的地震解释模型输出的地震预测结果进行地震预测,所述域间差异损失函数如下:
其中,为所述域间差异损失函数,/>为所述多尺度学习模型的第一域间差异损失函数,/>为所述多尺度指导模型的第二域间差异损失函数,m为样本数量,/>为第i个地震样本的域标签,/>为第i个样本数据经过所述多尺度学习模型的域鉴别器的输出,/>为第i个样本数据经过所述多尺度指导模型的域鉴别器的输出,其中,域鉴别器用于判别所述样本数据为所述地震真实样本数据或所述地震样本标签数据。
可选地,述预设地震解释模型包括标签分类器、域鉴别器和一致性度量模块,所述训练模块104还用于:
保持所述域鉴别器和所述一致性度量模块不变,通过所述地震样本标签数据训练所述标签分类器,更新所述标签分类损失函数;
保持所述标签分类器和所述一致性度量模块不变,通过所述地震真实样本数据和所述地震样本标签数据训练所述域鉴别器,更新所述域间差异损失函数;
保持所述标签分类器和所述域鉴别器不变,通过所述地震真实样本数据和所述地震样本标签数据训练所述一致性度量模块,更新所述一致性损失函数;
返回执行步骤:获取由至少一个地震真实样本数据合成的地震样本标签数据,直至所述目标损失函数收敛。
可选地,所述样本学习特征和所述样本指导特征如下:
其中,为所述样本学习特征,/>为所述样本指导特征,/>为所述多尺度学习模型的解码器,/>为所述多尺度指导模型的解码器,/>为所述多尺度学习模型的编码器,/>为所述多尺度指导模型的编码器,/>为所述多尺度学习模型的至少一个平行卷积层,/>所述多尺度指导模型的至少一个平行卷积层,/>为样本数据。
可选地,所述目标损失函数如下:
其中,为所述目标损失函数,/>为所述多尺度学习模型的第一模型参数,/>为所述标签分类器的模型参数,/>为所述域鉴别器的模型参数,/>为标签分类损失函数,/>为一致性损失函数,/>为域间差异损失函数。
可选地,所述标签分类损失函数如下:
其中,为所述标签分类损失函数,/>为所述样本学习特征,/>为所述地震样本标签数据/>为所述地震样本标签数据的数据个数,/>表示/>属于/>类的概率,K为类别总数,/>为第i个输入的样本数据,/>,/>为所述地震真实样本数据。
可选地,所述域鉴别器的输出的计算公式如下:
其中,为所述多尺度学习模型的域鉴别器的输出或者所述多尺度指导模型的域鉴别器的输出,/>为所述多尺度学习模型的域鉴别器或者所述多尺度指导模型的域鉴别器的输出,/>为所述多尺度学习模型的解码器或者所述多尺度指导模型的解码器,为所述多尺度学习模型的平行卷积层或者所述多尺度指导模型的平行卷积层,为所述多尺度学习模型的编码器或者所述多尺度指导模型的编码器,/>为所述样本数据。
可选地,所述一致性损失函数如下:
其中,为所述述一致性损失函数,/>为所述多尺度学习模型的模型权重,/>所述多尺度学习模型的噪声,/>为所述多尺度指导模型的模型权重,/>为所述多尺度指导模型的噪声,/>为均方误差损失函数,/>为所述样本数据。
本发明提供的地震解释模型构建装置,采用上述实施例中的地震解释模型构建方法,解决了由于地震合成图像缺乏真实标签,从而导致地震解释模型准确度低的技术问题。与现有技术相比,本发明实施例提供的地震解释模型构建装置的有益效果与上述实施例提供的地震解释模型构建方法的有益效果相同,且该地震解释模型构建装置中的其他技术特征与上述实施例方法公开的特征相同,在此不做赘述。
本发明实施例提供一种电子设备,电子设备包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述实施例一中的地震解释模型构建方法。
下面参考图6,其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备可以包括处理装置1001(例如中央处理器、图形处理器等),其可以根据存储在只读存储器(ROM)1002中的程序或者从存储装置1003加载到随机访问存储器(RAM)1004中的程序而执行各种适当的动作和处理。在RAM1004中,还存储有电子设备操作所需的各种程序和数据。处理装置1001、ROM1002以及RAM1004通过总线1005彼此相连。输入/输出(I/O)接口1006也连接至总线。
通常,以下系统可以连接至I/O接口1006:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置1007;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1008;包括例如磁带、硬盘等的存储装置1003;以及通信装置1009。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的电子设备,但是应理解的是,并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置1009从网络上被下载和安装,或者从存储装置1003被安装,或者从ROM1002被安装。在该计算机程序被处理装置1001执行时,执行本公开实施例的方法中限定的上述功能。
本发明提供的电子设备,采用上述实施例中的地震解释模型构建方法,解决了由于地震合成图像缺乏真实标签,从而导致地震解释模型准确度低的技术问题。与现有技术相比,本发明实施例提供的电子设备的有益效果与上述实施例提供的地震解释模型构建方法的有益效果相同,且该电子设备中的其他技术特征与上述实施例方法公开的特征相同,在此不做赘述。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中,具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述,仅为本发明的具体实施方式,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以所述权利要求的保护范围为准。
本实施例提供一种计算机可读存储介质,具有存储在其上的计算机可读程序指令,计算机可读程序指令用于执行上述实施例中的地震解释模型构建方法。
本发明实施例提供的计算机可读存储介质例如可以是U盘,但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读存储介质可以是电子设备中所包含的;也可以是单独存在,而未装配入电子设备中。
上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被电子设备执行时,使得电子设备:获取由至少一个地震真实样本数据合成的地震样本标签数据;将所述地震样本标签数据输入至预设地震解释模型,提取样本学习特征和样本指导特征,其中,所述样本学习特征由所述预设地震解释模型的多尺度学习模型输出,所述样本指导特征由所述预设地震解释模型的多尺度指导模型输出;根据所述样本学习特征和所述样本指导特征,确定目标损失函数,其中,所述目标损失函数由标签分类损失函数、域间差异损失函数和一致性损失函数共同组成;根据所述地震真实样本数据和所述地震样本标签数据和所述目标损失函数,迭代训练所述多尺度学习模型;通过更新所述多尺度学习模型的第一模型参数和所述多尺度指导模型的第二模型参数,得到目标地震解释模型,其中,所述第二模型参数由所述第一模型参数进行指数移动平均得到。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该单元本身的限定。
本发明提供的计算机可读存储介质,存储有用于执行上述地震解释模型构建方法的计算机可读程序指令,解决了由于地震合成图像缺乏真实标签,从而导致地震解释模型准确度低的技术问题。与现有技术相比,本发明实施例提供的计算机可读存储介质的有益效果与上述实施例提供的地震解释模型构建方法的有益效果相同,在此不做赘述。
本申请还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述的地震解释模型构建方法的步骤。
本申请提供的计算机程序产品解决了由于地震合成图像缺乏真实标签,从而导致地震解释模型准确度低的技术问题。与现有技术相比,本发明实施例提供的计算机程序产品的有益效果与上述实施例提供的地震解释模型构建方法的有益效果相同,在此不做赘述。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利处理范围内。
Claims (9)
1.一种地震解释模型构建方法,其特征在于,所述地震解释模型构建方法包括:
获取由至少一个地震真实样本数据合成的地震样本标签数据;
将所述地震样本标签数据输入至预设地震解释模型,提取样本学习特征和样本指导特征,其中,所述样本学习特征由所述预设地震解释模型的多尺度学习模型输出,所述样本指导特征由所述预设地震解释模型的多尺度指导模型输出;
根据所述样本学习特征和所述样本指导特征,确定目标损失函数,其中,所述目标损失函数由标签分类损失函数、域间差异损失函数和一致性损失函数共同组成;
根据所述地震真实样本数据和所述地震样本标签数据和所述目标损失函数,迭代训练所述多尺度学习模型;
通过更新所述多尺度学习模型的第一模型参数和所述多尺度指导模型的第二模型参数,得到目标地震解释模型,其中,所述第二模型参数由所述第一模型参数进行指数移动平均得到,其中,基于合成地震图像进行训练得到的地震解释模型输出的地震预测结果进行地震预测,所述域间差异损失函数如下:
其中,为所述域间差异损失函数,/>为所述多尺度学习模型的第一域间差异损失函数,/>为所述多尺度指导模型的第二域间差异损失函数,m为样本数量,/>为第i个地震样本的域标签,/>为第i个样本数据经过所述多尺度学习模型的域鉴别器的输出,/>为第i个样本数据经过所述多尺度指导模型的域鉴别器的输出,其中,域鉴别器用于判别所述样本数据为所述地震真实样本数据或所述地震样本标签数据。
2.如权利要求1所述地震解释模型构建方法,其特征在于,所述预设地震解释模型包括标签分类器、域鉴别器和一致性度量模块,
所述根据所述地震真实样本数据和所述地震样本标签数据和所述目标损失函数,迭代训练所述多尺度学习模型的步骤包括:
保持所述域鉴别器和所述一致性度量模块不变,通过所述地震样本标签数据训练所述标签分类器,更新所述标签分类损失函数;
保持所述标签分类器和所述一致性度量模块不变,通过所述地震真实样本数据和所述地震样本标签数据训练所述域鉴别器,更新所述域间差异损失函数;
保持所述标签分类器和所述域鉴别器不变,通过所述地震真实样本数据和所述地震样本标签数据训练所述一致性度量模块,更新所述一致性损失函数;
返回执行步骤:获取由至少一个地震真实样本数据合成的地震样本标签数据,直至所述目标损失函数收敛。
3.如权利要求2所述地震解释模型构建方法,其特征在于,所述样本学习特征和所述样本指导特征如下:
其中,为所述样本学习特征,/>为所述样本指导特征,/>为所述多尺度学习模型的解码器,/>为所述多尺度指导模型的解码器,/>为所述多尺度学习模型的编码器,/>为所述多尺度指导模型的编码器,/>所述多尺度学习模型的至少一个平行卷积层,/>为所述多尺度指导模型的至少一个平行卷积层,/>为样本数据。
4.如权利要求3所述地震解释模型构建方法,其特征在于,所述目标损失函数如下:
其中,为所述目标损失函数,/>为所述多尺度学习模型的第一模型参数,/>为所述标签分类器的模型参数,/>为所述域鉴别器的模型参数,/>为标签分类损失函数,/>为一致性损失函数,/>为域间差异损失函数。
5.如权利要求4所述地震解释模型构建方法,其特征在于,所述标签分类损失函数如下:
其中,为所述标签分类损失函数,/>为所述样本学习特征,/>为所述地震样本标签数据/>为所述地震样本标签数据的数据个数,/>表示/>属于/>类的概率,K为类别总数,/>为第i个输入的样本数据,/>,/>为所述地震真实样本数据。
6.如权利要求1所述地震解释模型构建方法,其特征在于,所述域鉴别器的输出的计算公式如下:
其中,为所述多尺度学习模型的域鉴别器的输出或者所述多尺度指导模型的域鉴别器的输出,/>为所述多尺度学习模型的域鉴别器或者所述多尺度指导模型的域鉴别器的输出,/>为所述多尺度学习模型的解码器或者所述多尺度指导模型的解码器,/>为所述多尺度学习模型的平行卷积层或者所述多尺度指导模型的平行卷积层,/>为所述多尺度学习模型的编码器或者所述多尺度指导模型的编码器,/>为所述样本数据。
7.如权利要求4所述地震解释模型构建方法,其特征在于,所述一致性损失函数如下:
其中,为所述述一致性损失函数,/>为所述多尺度学习模型的模型权重,/>所述多尺度学习模型的噪声,/>为所述多尺度指导模型的模型权重,/>为所述多尺度指导模型的噪声,/>为均方误差损失函数,/>为所述样本数据。
8.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至7中任一项所述的地震解释模型构建方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有实现地震解释模型构建方法的程序,所述实现地震解释模型构建方法的程序被处理器执行以实现如权利要求1至7中任一项所述地震解释模型构建方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310677544.0A CN116401597B (zh) | 2023-06-09 | 2023-06-09 | 地震解释模型构建方法、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310677544.0A CN116401597B (zh) | 2023-06-09 | 2023-06-09 | 地震解释模型构建方法、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116401597A CN116401597A (zh) | 2023-07-07 |
CN116401597B true CN116401597B (zh) | 2023-08-22 |
Family
ID=87014671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310677544.0A Active CN116401597B (zh) | 2023-06-09 | 2023-06-09 | 地震解释模型构建方法、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116401597B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199124A (zh) * | 2014-08-26 | 2014-12-10 | 中国石油天然气股份有限公司 | 混相地层分析方法和装置 |
CN111444765A (zh) * | 2020-02-24 | 2020-07-24 | 北京市商汤科技开发有限公司 | 图像重识别方法及相关模型的训练方法及相关装置、设备 |
CN115128671A (zh) * | 2021-03-26 | 2022-09-30 | 中国石油化工股份有限公司 | 一种基于深度学习技术的三维地震相自动识别方法 |
CN115331047A (zh) * | 2022-07-20 | 2022-11-11 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 基于注意力机制的地震图像解释方法 |
CN115601750A (zh) * | 2022-09-14 | 2023-01-13 | 河北地质大学(Cn) | 一种提升边缘准确度的地震相识别语义分割方法及系统 |
CN115791174A (zh) * | 2022-12-29 | 2023-03-14 | 南京航空航天大学 | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 |
CN115936990A (zh) * | 2022-12-07 | 2023-04-07 | 中国科学技术大学 | 地震资料多尺度超分辨率与去噪同步处理方法及系统 |
CN116167288A (zh) * | 2023-04-19 | 2023-05-26 | 中国科学技术大学 | 一种ua2ft半监督迁移学习建模方法、介质及设备 |
Family Cites Families (2)
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 |
WO2020123100A2 (en) * | 2018-12-11 | 2020-06-18 | Exxonmobil Upstream Research Company | Automated seismic interpretation systems and methods for continual learning and inference of geological features |
-
2023
- 2023-06-09 CN CN202310677544.0A patent/CN116401597B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199124A (zh) * | 2014-08-26 | 2014-12-10 | 中国石油天然气股份有限公司 | 混相地层分析方法和装置 |
CN111444765A (zh) * | 2020-02-24 | 2020-07-24 | 北京市商汤科技开发有限公司 | 图像重识别方法及相关模型的训练方法及相关装置、设备 |
CN115128671A (zh) * | 2021-03-26 | 2022-09-30 | 中国石油化工股份有限公司 | 一种基于深度学习技术的三维地震相自动识别方法 |
CN115331047A (zh) * | 2022-07-20 | 2022-11-11 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 基于注意力机制的地震图像解释方法 |
CN115601750A (zh) * | 2022-09-14 | 2023-01-13 | 河北地质大学(Cn) | 一种提升边缘准确度的地震相识别语义分割方法及系统 |
CN115936990A (zh) * | 2022-12-07 | 2023-04-07 | 中国科学技术大学 | 地震资料多尺度超分辨率与去噪同步处理方法及系统 |
CN115791174A (zh) * | 2022-12-29 | 2023-03-14 | 南京航空航天大学 | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 |
CN116167288A (zh) * | 2023-04-19 | 2023-05-26 | 中国科学技术大学 | 一种ua2ft半监督迁移学习建模方法、介质及设备 |
Non-Patent Citations (1)
Title |
---|
Distilling Knowledge From an Ensemble of Convolutional Neural Networks for Seismic Fault Detection;Zirui Wang等;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;第1-5页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116401597A (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021531541A (ja) | ジオロケーションの予測のためのシステムおよび方法 | |
CN110415276B (zh) | 运动信息计算方法、装置及电子设备 | |
CN110287816B (zh) | 车门动作检测方法、装置和计算机可读存储介质 | |
CN112632852B (zh) | 岩溶地区地铁隧道盾构掘进速度预测方法及装置 | |
CN112037223B (zh) | 图像缺陷检测方法、装置及电子设备 | |
CN112232311B (zh) | 人脸跟踪方法、装置及电子设备 | |
CN111401228A (zh) | 视频目标标注方法、装置及电子设备 | |
CN112819099A (zh) | 网络模型的训练方法、数据处理方法、装置、介质及设备 | |
CN110069997B (zh) | 场景分类方法、装置及电子设备 | |
CN107992873A (zh) | 目标检测方法及装置、存储介质、电子设备 | |
US20220187486A1 (en) | Computer system and data processing method | |
CN110555352B (zh) | 一种兴趣点识别方法、装置、服务器和存储介质 | |
CN112241001B (zh) | 雷达人体动作识别方法、装置、电子设备和存储介质 | |
CN116401597B (zh) | 地震解释模型构建方法、电子设备及可读存储介质 | |
CN111401229B (zh) | 视觉小目标自动标注方法、装置及电子设备 | |
CN110060324B (zh) | 图像渲染方法、装置及电子设备 | |
CN116028868B (zh) | 设备故障分类方法、装置、电子设备及可读存储介质 | |
CN107407738B (zh) | 地下高阻抗差物体的检测与成像 | |
CN114842303A (zh) | 自训练优化方法、装置、电子设备及计算机可读存储介质 | |
CN114598610B (zh) | 网络业务规则识别 | |
CN111832354A (zh) | 目标对象年龄识别方法、装置及电子设备 | |
CN113345095B (zh) | 一种基于数字孪生的革命文物残损监测与预警方法的系统 | |
CN116109932B (zh) | 房屋安全检测方法、装置、电子设备及可读存储介质 | |
CN113031600B (zh) | 一种轨迹生成方法、装置、存储介质及电子设备 | |
CN116599614A (zh) | 信道预测模型训练方法、装置、电子设备及可读存储介质 |
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 |