CN116520401A - 一种基于注意力机制的地震数据去噪方法 - Google Patents
一种基于注意力机制的地震数据去噪方法 Download PDFInfo
- Publication number
- CN116520401A CN116520401A CN202310560719.XA CN202310560719A CN116520401A CN 116520401 A CN116520401 A CN 116520401A CN 202310560719 A CN202310560719 A CN 202310560719A CN 116520401 A CN116520401 A CN 116520401A
- Authority
- CN
- China
- Prior art keywords
- denoising
- data
- layer
- attention
- residual
- 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
Links
- 230000007246 mechanism Effects 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000004913 activation Effects 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 230000004927 fusion Effects 0.000 abstract description 3
- 230000002079 cooperative effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 10
- 101100247599 Hordeum vulgare RCAB gene Proteins 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000001629 suppression Effects 0.000 description 3
- 238000002679 ablation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
-
- 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
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/30—Noise handling
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/30—Noise handling
- G01V2210/38—Noise characterisation or classification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Geology (AREA)
- Geophysics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Environmental & Geological Engineering (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于注意力机制的地震数据去噪方法,包括获取有噪地震数据;将获取的有噪地震数据分割为第一尺度的数据块和第二尺度的数据块;构建基于注意力机制的两阶段地震去噪网络模型,并利用第一尺度的数据块和第二尺度的数据块进行模型训练;利用训练后的基于注意力机制的两阶段地震去噪网络模型对待处理的有噪地震数据进行去噪处理。本发明构建的基于注意力机制的两阶段地震去噪网络模型,通过不同的感受野同时提取全局信息和局部信息,并且通过在每个阶段注入监督来逐步压制噪声,为了确保阶段之间的协同作用,监督注意力模块实现跨阶段特征融合以及从早期阶段到后期阶段的注意力引导输出交换,从而实现能够兼顾去噪和有效信号保护。
Description
技术领域
本发明涉及地震数据去噪技术领域,具体涉及一种基于注意力机制的地震数据去噪方法。
背景技术
地震数据通常含有地震噪声,应消除地震噪声,以提高信噪比。噪声可分为相干噪声和非相干噪声。非相干噪声,其中大部分被称为随机噪声,会污染地震数据,结果数据在不同的地震道之间可能缺乏相干性。如果不消除地质解释和速度分析等噪声,许多地震过程可能会被破坏。随机噪声抑制是反射地震数据处理的重要步骤。然而,主要的挑战是在保留地震信号的同时去除噪声。物理去噪方法根据不同的假设和特点可以分为五类。第一类是基于稀疏变换的去噪方法,它们利用信号和噪声在稀疏域中的不同特征进行分离,如傅里叶变换,小波变换,曲波变换等。第二类是基于预测滤波的去噪方法,它们通过构造滤波器来分离噪声和信号,如t-x预测滤波器,f-x反褶积(FXDECON),非平稳预测滤波器。第三类是基于矩阵分解的去噪方法,它们假设无噪声数据是低秩的,因此去噪任务可以建模为低秩矩阵逼近问题。例如多通道奇异频谱分析(MSSA)和阻尼降阶法(DRR)。第四类是基于分解的去噪方法,它们将不同分量的主分量视为有效信号。最后一类是基于字典学习的去噪方法,它们使用可学习字典代替传统的变换基函数来自适应地表示数据。虽然大多数传统去噪方法可以取得一定的去噪效果,但是大多数方法需要依赖预先建立的模型,需要花费大量的时间调参。另外,它们无法兼顾保护地震信号的同时压制噪声。
近年来,深度学习为地震数据去噪带来了新的机遇。卷积神经网络可以学习大量输入和输出之间的映射关系从而完成去噪任务。例如DnCNN,其设计包括残差学习和批量归一化,以实现出色的去噪效果。编码器-解码器结构也可以用于去噪,因为它可以很好地学习上下文的特征。比如稀疏去噪自动编码器(SDAE),它通过添加稀疏条件来实现混合噪声的去噪。生成对抗网络(GAN)利用其强大的学习能力构建优秀的去噪器。例如,GAN对噪声分布进行建模,并生成丰富的训练数据以实现盲去噪。相比传统去噪,深度学习方法去噪性能和效率有了明显提高,但是一些方法旨在去除更多的噪声,而忽略了对有效信号的保护。
发明内容
针对现有技术中的上述不足,本发明提供了一种基于注意力机制的地震数据去噪方法。
为了达到上述发明目的,本发明采用的技术方案为:
一种基于注意力机制的地震数据去噪方法,包括以下步骤:
S1、获取有噪地震数据;
S2、将获取的有噪地震数据分割为第一尺度的数据块和第二尺度的数据块;
S3、构建基于注意力机制的两阶段地震去噪网络模型,并利用第一尺度的数据块和第二尺度的数据块进行模型训练;
S4、利用训练后的基于注意力机制的两阶段地震去噪网络模型对待处理的有噪地震数据进行去噪处理。
可选地,步骤S2具体包括:
将获取的有噪地震数据分割为第一数量的非重叠数据块,得到第一尺度的数据块;
将获取的有噪地震数据分割为第二数量的非重叠数据块,得到第二尺度的数据块。
可选地,步骤S3中构建的基于注意力机制的两阶段地震去噪网络模型具体包括:
第一编码器-解码器子网络、监督注意力模块和第二编码器-解码器子网络;
所述第一编码器-解码器子网络用于对第一尺度的数据块提取第一感受野的全局特征和局部特征,得到第一去噪图像;
所述监督注意力模块用于对第一去噪图像进行加权后传递至第二编码器-解码器子网络;
所述第二编码器-解码器子网络用于对第二尺度的数据块和融合监督注意力模块传递的加权后的第一去噪图像融合后,提取第二感受野的全局特征和局部特征,得到第二去噪图像。
可选地,所述第一编码器-解码器子网络具体包括:
第一编码器、第一解码器、以及将第一编码器输入的第一尺度的数据块与第一解码器的输出数据进行连接的第一跳跃连接;
所述第一编码器包括线性连接的第一残差注意力模块、第一下采样层、第一卷积层、第二残差注意力模块、第二下采样层、第二卷积层和第三残差注意力模块;
所述第一解码器包括线性连接的第四残差注意力模块、第一上采样层、第三卷积层、第五残差注意力模块、第二上采样层、第四卷积层和第六残差注意力模块。
可选地,所述第二编码器-解码器子网络具体包括:
第二编码器、第二解码器、以及将第二编码器输入的第二尺度的数据块与第二解码器的输出数据进行连接的第二跳跃连接;
所述第二编码器包括线性连接的第七残差注意力模块、第三下采样层、第五卷积层、第八残差注意力模块、第四下采样层、第六卷积层和第九残差注意力模块;
所述第二解码器包括线性连接的第十残差注意力模块、第三上采样层、第七卷积层、第十一残差注意力模块、第四上采样层、第八卷积层和第十二残差注意力模块。
可选地,所述第一残差注意力模块至第十二残差注意力模块采用相同的网络结构,具体包括:
第九卷积层、第一激活层、第十卷积层、第二激活层、池化层、第十一卷积层、第三激活层、第十二卷积层、第四激活层和第一残差连接;
所述第一残差连接将第十卷积层的输出数据与第四激活层的输出数据进行叉乘操作后与第九卷积层的输入数据进行融合,得到最终的输出数据。
可选地,所述监督注意力模块具体包括:
第十三卷积层、第十四卷积层、第五激活层、第十五卷积层和第二残差连接;
所述第十三卷积层提取的残差数据与噪声块融合后作为第十四卷积层的输入数据;
所述第十五卷积层提取的局部特征与第五激活层得到的特征注意力掩码进行叉乘操作,得到注意力引导特征;
所述第二残差连接将注意力引导特征与第十三卷积层的输入数据进行融合,得到最终的输出数据。
可选地,步骤S3中利用第一尺度的数据块和第二尺度的数据块进行模型训练时采用的损失函数具体为:
其中,C、H、W分别表示通道的数量、高度和宽度,分别表示预测值和标签,表示惩罚项,表示惩罚因子,表示信噪比函数,分别表示。
本发明具有以下有益效果:
本发明提出了一种带有注意力机制的两阶段地震去噪方法。两阶段通过不同的感受野同时提取全局信息和局部信息。通过在每个阶段注入监督来逐步压制噪声,此外,为了确保阶段之间的协同作用,监督注意力模块实现跨阶段特征融合以及从早期阶段到后期阶段的注意力引导输出交换。我们的模型在合成和现场数据集上能够兼顾去噪和有效信号保护。此外,我们的模型在模型大小方面是轻量级的,在运行时间方面是高效的,这对于资源有限的设备来说是非常有效的。
附图说明
图1为本发明实施例的一种基于注意力机制的地震数据去噪方法的流程示意图;
图2为本发明实施例构建的基于注意力机制的两阶段地震去噪网络模型的结构示意图;
图3为本发明实施例中第一编码器-解码器子网络和第二编码器-解码器子网络的结构示意图;
图4为本发明实施例中第一残差注意力模块至第十二残差注意力模块的结构示意图;
图5为本发明实施例中监督注意力模块的结构示意图;
图6为本发明实施例中残差通道注意力模块的消融实验。(a)和(b)为带有残差通道注意力模块的去噪结果和残差,(c)和(d)为没有残差通道注意力模块的去噪结果和残差。
图7为本发明实施例中损失函数中的惩罚项的消融实验;其中(a)和(b)为带有惩罚项(惩罚因子为0.6)的去噪结果和残差,(c)和(d)为没有惩罚项的去噪结果和残差。
图8为本发明实施例中实际地震数据的f-x滤波的去噪结果;其中(a),(b) 和(c)分别表示去噪结果,去除的噪声和局部相似图。
图9为本发明实施例中实际地震数据的小波变换的去噪结果;其中(a),(b)和(c)分别表示去噪结果,去除的噪声和局部相似图。
图10为本发明实施例中实际地震数据的DnCNN的去噪结果;其中(a),(b)和(c)分别表示去噪结果,去除的噪声和局部相似图。
图11为本发明实施例中实际地震数据的两阶段去噪网络的去噪结果;其中(a),(b)和(c)分别表示去噪结果,去除的噪声和局部相似图。
实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,本发明实施例提供了一种基于注意力机制的地震数据去噪方法,包括以下步骤S1至S4:
S1、获取有噪地震数据;
在本发明的一个可选实施例中,本实施例首先获取有噪地震数据来构建训练数据集。训练数据由70%的正演模拟数据和30%现场数据构成。通过波动方程建模生成干净完整的合成数据,通过人工添加不同级别的高斯白噪声生成有噪数据。来自德克萨斯州南部Land 3D项目的部分叠前数据的现场数据。这些数据被认为是有噪声的,其干净版本是通过小波去噪获得的。两类数据被裁剪为48x48大小的数据块构建训练和验证数据集。
S2、将获取的有噪地震数据分割为第一尺度的数据块和第二尺度的数据块;
在本发明的一个可选实施例中,步骤S2具体包括:
将获取的有噪地震数据分割为第一数量的非重叠数据块,得到第一尺度的数据块;
将获取的有噪地震数据分割为第二数量的非重叠数据块,得到第二尺度的数据块。
具体而言,本实施例将有噪地震数据分割为非重叠的数据块:第一阶段为四块数据块,第二阶段为两块数据块。
S3、构建基于注意力机制的两阶段地震去噪网络模型,并利用第一尺度的数据块和第二尺度的数据块进行模型训练;
在本发明的一个可选实施例中,如图2所示,本实施例构建的基于注意力机制的两阶段地震去噪网络模型具体包括:
第一编码器-解码器子网络、监督注意力模块和第二编码器-解码器子网络;
所述第一编码器-解码器子网络用于对第一尺度的数据块提取第一感受野的全局特征和局部特征,得到第一去噪图像;
所述监督注意力模块用于对第一去噪图像进行加权后传递至第二编码器-解码器子网络;
所述第二编码器-解码器子网络用于对第二尺度的数据块和融合监督注意力模块传递的加权后的第一去噪图像融合后,提取第二感受野的全局特征和局部特征,得到第二去噪图像。
本实施例构建两阶段地震去噪网络模型提取不同感受野的特征,能够提高去噪性能的同时保护同相轴的真实形状;并且在两阶段中添加了注意力机制以进一步提取地震数据的细节和边缘信息。
在本发明的一个可选实施例中,如图3所示,所述第一编码器-解码器子网络具体包括:
第一编码器、第一解码器、以及将第一编码器输入的第一尺度的数据块与第一解码器的输出数据进行连接的第一跳跃连接;
所述第一编码器包括线性连接的第一残差注意力模块、第一下采样层、第一卷积层、第二残差注意力模块、第二下采样层、第二卷积层和第三残差注意力模块;
所述第一解码器包括线性连接的第四残差注意力模块、第一上采样层、第三卷积层、第五残差注意力模块、第二上采样层、第四卷积层和第六残差注意力模块。
所述第二编码器-解码器子网络具体包括:
第二编码器、第二解码器、以及将第二编码器输入的第二尺度的数据块与第二解码器的输出数据进行连接的第二跳跃连接;
所述第二编码器包括线性连接的第七残差注意力模块、第三下采样层、第五卷积层、第八残差注意力模块、第四下采样层、第六卷积层和第九残差注意力模块;
所述第二解码器包括线性连接的第十残差注意力模块、第三上采样层、第七卷积层、第十一残差注意力模块、第四上采样层、第八卷积层和第十二残差注意力模块。
具体而言,本实施例基于U-Net网络进行改进,在编码器中,采用两对线性“残差注意力模块(RCAB)+下采样层+卷积层”。在最后一次卷积之后,RCAB模块生成最小的特征图作为解码器的输入。解码器采用两对线性“RCAB+上采样层+卷积层”组成。在最后一次卷积之后,紧接一个RCAB模块生成输出。本实施例采用RCAB模块有利于提取每个尺度的特征,并且采用双线性“上采样+卷积”替代转置卷积,能够提高解码器的特征分辨率,避免转置卷积带来的棋盘伪影。
在本发明的一个可选实施例中,如图4所示,所述第一残差注意力模块至第十二残差注意力模块采用相同的网络结构,具体包括:
第九卷积层、第一激活层、第十卷积层、第二激活层、池化层、第十一卷积层、第三激活层、第十二卷积层、第四激活层和第一残差连接;
所述第一残差连接将第十卷积层的输出数据与第四激活层的输出数据进行叉乘操作后与第九卷积层的输入数据进行融合,得到最终的输出数据。
具体而言,本实施例中的RCAB模块由残差连接和通道注意力构成,残差连接有助于过滤无用的信息,使得网络学习更有用的特征。通道注意力考虑了特征通道之间的相互依赖性,并通过重新缩放特征来进一步提高网络表示能力。所述的RCAB模块依次为3×3卷积层,ReLU激活函数,3×3卷积层,池化层,1×1卷积层,ReLU激活函数,1×1卷积层,Sigmoid激活函数,残差连接。
在本发明的一个可选实施例中,如图5所示,所述监督注意力模块具体包括:
第十三卷积层、第十四卷积层、第五激活层、第十五卷积层和第二残差连接;
所述第十三卷积层提取的残差数据与噪声块融合后作为第十四卷积层的输入数据;
所述第十五卷积层提取的局部特征与第五激活层得到的特征注意力掩码进行叉乘操作,得到注意力引导特征;
所述第二残差连接将注意力引导特征与第十三卷积层的输入数据进行融合,得到最终的输出数据。
具体而言,本实施例中的监督注意力模块(SAM)通过生成注意力图仅将第一阶段有用的特征传递到下一阶段。SAM对输入的特征首先经过1×1卷积层得到残差图像,将其添加到噪声块得到恢复的地震块。然后,使用1×1卷积层和Sigmoid激活函数得到特征注意力掩码。然后掩码被用于重新校准1×1卷积后的局部特征得到注意力引导特征。最后,通过残差连接将注意力特征图与原始特征进行融合以增强特征表示被传递到下一阶段进行进一步处理。
本实施例通过在两阶段中添加了注意力机制以进一步提取地震数据的细节和边缘信息。注意力机制由两个模块组成。第一个是残差注意力模块(RCAB),在每个阶段的编码和卷积操作之前添加。它们不仅可以抑制不相关的特征,减少信息的丢失,还可以提高模型的灵敏度和准确性。第二个是监督注意力模块(SAM),它位于第一阶段的末尾。它重新加权在第一阶段提取的特征,并将其传递给第二阶段。
本实施例在进行模型训练时,为了避免传统损失函数仅考虑去噪的影响,而不考虑残余图像中的有效信号造成的过度去噪的问题,使用Charbonnier损失和惩罚项来平衡噪声抑制和信号保护,损失函数具体为:
其中,C、H、W分别表示通道的数量、高度和宽度,分别表示预测值和标签,表示惩罚项,表示惩罚因子,表示信噪比函数,分别表示。
S4、利用训练后的基于注意力机制的两阶段地震去噪网络模型对待处理的有噪地震数据进行去噪处理。
本发明提出了一种带有注意力机制的两阶段地震去噪方法。两阶段通过不同的感受野同时提取全局信息和局部信息。通过在每个阶段注入监督来逐步压制噪声,此外,为了确保阶段之间的协同作用,监督注意力模块实现跨阶段特征融合以及从早期阶段到后期阶段的注意力引导输出交换。我们的模型在合成和现场数据集上能够兼顾去噪和有效信号保护。此外,我们的模型在模型大小方面是轻量级的,在运行时间方面是高效的,这对于资源有限的设备来说是非常有效的。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (8)
1.一种基于注意力机制的地震数据去噪方法,其特征在于,包括以下步骤:
S1、获取有噪地震数据;
S2、将获取的有噪地震数据分割为第一尺度的数据块和第二尺度的数据块;
S3、构建基于注意力机制的两阶段地震去噪网络模型,并利用第一尺度的数据块和第二尺度的数据块进行模型训练;
S4、利用训练后的基于注意力机制的两阶段地震去噪网络模型对待处理的有噪地震数据进行去噪处理。
2.根据权利要求1所述的一种基于注意力机制的地震数据去噪方法,其特征在于,步骤S2具体包括:
将获取的有噪地震数据分割为第一数量的非重叠数据块,得到第一尺度的数据块;
将获取的有噪地震数据分割为第二数量的非重叠数据块,得到第二尺度的数据块。
3.根据权利要求1所述的一种基于注意力机制的地震数据去噪方法,其特征在于,步骤S3中构建的基于注意力机制的两阶段地震去噪网络模型具体包括:
第一编码器-解码器子网络、监督注意力模块和第二编码器-解码器子网络;
所述第一编码器-解码器子网络用于对第一尺度的数据块提取第一感受野的全局特征和局部特征,得到第一去噪图像;
所述监督注意力模块用于对第一去噪图像进行加权后传递至第二编码器-解码器子网络;
所述第二编码器-解码器子网络用于对第二尺度的数据块和融合监督注意力模块传递的加权后的第一去噪图像融合后,提取第二感受野的全局特征和局部特征,得到第二去噪图像。
4.根据权利要求3所述的一种基于注意力机制的地震数据去噪方法,其特征在于,所述第一编码器-解码器子网络具体包括:
第一编码器、第一解码器、以及将第一编码器输入的第一尺度的数据块与第一解码器的输出数据进行连接的第一跳跃连接;
所述第一编码器包括线性连接的第一残差注意力模块、第一下采样层、第一卷积层、第二残差注意力模块、第二下采样层、第二卷积层和第三残差注意力模块;
所述第一解码器包括线性连接的第四残差注意力模块、第一上采样层、第三卷积层、第五残差注意力模块、第二上采样层、第四卷积层和第六残差注意力模块。
5.根据权利要求3所述的一种基于注意力机制的地震数据去噪方法,其特征在于,所述第二编码器-解码器子网络具体包括:
第二编码器、第二解码器、以及将第二编码器输入的第二尺度的数据块与第二解码器的输出数据进行连接的第二跳跃连接;
所述第二编码器包括线性连接的第七残差注意力模块、第三下采样层、第五卷积层、第八残差注意力模块、第四下采样层、第六卷积层和第九残差注意力模块;
所述第二解码器包括线性连接的第十残差注意力模块、第三上采样层、第七卷积层、第十一残差注意力模块、第四上采样层、第八卷积层和第十二残差注意力模块。
6.根据权利要求4或5所述的一种基于注意力机制的地震数据去噪方法,其特征在于,所述第一残差注意力模块至第十二残差注意力模块采用相同的网络结构,具体包括:
第九卷积层、第一激活层、第十卷积层、第二激活层、池化层、第十一卷积层、第三激活层、第十二卷积层、第四激活层和第一残差连接;
所述第一残差连接将第十卷积层的输出数据与第四激活层的输出数据进行叉乘操作后与第九卷积层的输入数据进行融合,得到最终的输出数据。
7.根据权利要求3所述的一种基于注意力机制的地震数据去噪方法,其特征在于,所述监督注意力模块具体包括:
第十三卷积层、第十四卷积层、第五激活层、第十五卷积层和第二残差连接;
所述第十三卷积层提取的残差数据与噪声块融合后作为第十四卷积层的输入数据;
所述第十五卷积层提取的局部特征与第五激活层得到的特征注意力掩码进行叉乘操作,得到注意力引导特征;
所述第二残差连接将注意力引导特征与第十三卷积层的输入数据进行融合,得到最终的输出数据。
8.根据权利要求1所述的一种基于注意力机制的地震数据去噪方法,其特征在于,步骤S3中利用第一尺度的数据块和第二尺度的数据块进行模型训练时采用的损失函数具体为:
其中,C、H、W分别表示通道的数量、高度和宽度,分别表示预测值和标签,表示惩罚项,表示惩罚因子,表示信噪比函数,分别表示通道,高度和宽度的索引。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310560719.XA CN116520401B (zh) | 2023-05-18 | 2023-05-18 | 一种基于注意力机制的地震数据去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310560719.XA CN116520401B (zh) | 2023-05-18 | 2023-05-18 | 一种基于注意力机制的地震数据去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116520401A true CN116520401A (zh) | 2023-08-01 |
CN116520401B CN116520401B (zh) | 2024-02-27 |
Family
ID=87406323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310560719.XA Active CN116520401B (zh) | 2023-05-18 | 2023-05-18 | 一种基于注意力机制的地震数据去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116520401B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113156513A (zh) * | 2021-04-14 | 2021-07-23 | 吉林大学 | 一种基于注意力引导的卷积神经网络地震信号去噪方法 |
CN113592736A (zh) * | 2021-07-27 | 2021-11-02 | 温州大学 | 一种基于融合注意力机制的半监督图像去模糊方法 |
KR20220011572A (ko) * | 2020-07-21 | 2022-01-28 | 고려대학교 산학협력단 | 딥러닝을 이용한 지진 데이터 생성 방법 및 그 장치 |
WO2022079550A1 (en) * | 2020-10-14 | 2022-04-21 | King Abdullah University Of Science And Technology | Pretraining system and method for seismic data processing using machine learning |
CN115236733A (zh) * | 2022-07-25 | 2022-10-25 | 中油奥博(成都)科技有限公司 | 基于深度学习的das-vsp数据背景噪声压制方法 |
CN115561817A (zh) * | 2022-10-12 | 2023-01-03 | 吉林大学 | 一种基于多重注意力机制的沙漠地震去噪方法 |
-
2023
- 2023-05-18 CN CN202310560719.XA patent/CN116520401B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220011572A (ko) * | 2020-07-21 | 2022-01-28 | 고려대학교 산학협력단 | 딥러닝을 이용한 지진 데이터 생성 방법 및 그 장치 |
WO2022079550A1 (en) * | 2020-10-14 | 2022-04-21 | King Abdullah University Of Science And Technology | Pretraining system and method for seismic data processing using machine learning |
CN113156513A (zh) * | 2021-04-14 | 2021-07-23 | 吉林大学 | 一种基于注意力引导的卷积神经网络地震信号去噪方法 |
CN113592736A (zh) * | 2021-07-27 | 2021-11-02 | 温州大学 | 一种基于融合注意力机制的半监督图像去模糊方法 |
CN115236733A (zh) * | 2022-07-25 | 2022-10-25 | 中油奥博(成都)科技有限公司 | 基于深度学习的das-vsp数据背景噪声压制方法 |
CN115561817A (zh) * | 2022-10-12 | 2023-01-03 | 吉林大学 | 一种基于多重注意力机制的沙漠地震去噪方法 |
Non-Patent Citations (5)
Title |
---|
SAAD OM ET AL: "unsupervised deep learning for single-channel earthquake data denoising and its application in event detection and fully automatic location", IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, vol. 60, 9 November 2022 (2022-11-09) * |
陈伟;李霞;李红敬;杨瑞娟;黎娜;周小慧;杨江峰;: "油气地球物理技术进展", 科学技术与工程, no. 04 * |
陈伟;李霞;李红敬;杨瑞娟;黎娜;周小慧;杨江峰;: "油气地球物理技术进展", 科学技术与工程, no. 04, 8 February 2020 (2020-02-08) * |
韩卫雪;周亚同;池越;: "基于深度学习卷积神经网络的地震数据随机噪声去除", 石油物探, no. 06 * |
韩卫雪;周亚同;池越;: "基于深度学习卷积神经网络的地震数据随机噪声去除", 石油物探, no. 06, 25 November 2018 (2018-11-25) * |
Also Published As
Publication number | Publication date |
---|---|
CN116520401B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035142B (zh) | 一种对抗网络结合航拍图像先验的卫星图像超分辨方法 | |
Ravishankar et al. | Closed-form solutions within sparsifying transform learning | |
Ravishankar et al. | Learning overcomplete sparsifying transforms for signal processing | |
CN103473740A (zh) | 基于稀疏表示和低秩双重约束的非局部去噪方法 | |
CN104285239A (zh) | 图像处理装置、图像处理方法、程序、印刷介质以及记录介质 | |
CN102156975B (zh) | 基于支撑值变换和多尺度冗余字典学习的自然图像去噪方法 | |
CN110706181A (zh) | 一种基于多尺度膨胀卷积残差网络的图像去噪方法及系统 | |
CN111080555B (zh) | 一种基于三维拟递归神经网络的高光谱图像降噪方法 | |
CN104200441B (zh) | 基于高阶奇异值分解的磁共振图像去噪方法 | |
CN111127354A (zh) | 一种基于多尺度字典学习的单图像去雨方法 | |
CN115877461A (zh) | 一种基于多尺度注意力交互网络的沙漠地震噪声抑制方法 | |
CN113744148B (zh) | 一种碑刻书法图像去噪模型建立、去噪方法及系统 | |
Li et al. | Deeplabv3+ vision transformer for visual bird sound denoising | |
CN116520401B (zh) | 一种基于注意力机制的地震数据去噪方法 | |
CN103413351A (zh) | 基于压缩感知理论的三维人脸快速重建方法 | |
CN114200520B (zh) | 一种地震数据去噪方法 | |
CN116992217A (zh) | 基于多尺度动态加权多维残差卷积的机械信号降噪方法 | |
CN101510943A (zh) | 利用超完备拓扑稀疏编码有效去除图像噪声的方法 | |
Zhang et al. | Signal processing using dictionaries, atoms, and deep learning: A common analysis-synthesis framework | |
CN115358952A (zh) | 一种基于元学习的图像增强方法、系统、设备和存储介质 | |
CN115272131A (zh) | 基于自适应多光谱编码的图像去摩尔纹系统及方法 | |
Wang et al. | Multi-scale residual network for seismic data denoising and reconstruction | |
CN114881852A (zh) | 基于去噪和超分辨率重构融合的攻击图像防御方法 | |
CN113484913A (zh) | 一种多粒度特征融合卷积神经网络的地震资料去噪方法 | |
CN114565528A (zh) | 一种基于多尺度和注意力机制的遥感影像降噪方法及系统 |
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 |