CN117392696A - 地震属性图的生成方法、装置及服务器 - Google Patents

地震属性图的生成方法、装置及服务器 Download PDF

Info

Publication number
CN117392696A
CN117392696A CN202210772604.2A CN202210772604A CN117392696A CN 117392696 A CN117392696 A CN 117392696A CN 202210772604 A CN202210772604 A CN 202210772604A CN 117392696 A CN117392696 A CN 117392696A
Authority
CN
China
Prior art keywords
seismic attribute
sample
attribute map
size
map
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
CN202210772604.2A
Other languages
English (en)
Inventor
朱冬临
郭锐
李磊
陶春峰
詹仕凡
高英楠
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.)
Cnpc Oil Gas Exploration Software National Engineering Research Center Co ltd
China National Petroleum Corp
BGP Inc
Original Assignee
Cnpc Oil Gas Exploration Software National Engineering Research Center Co ltd
China National Petroleum Corp
BGP Inc
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 Cnpc Oil Gas Exploration Software National Engineering Research Center Co ltd, China National Petroleum Corp, BGP Inc filed Critical Cnpc Oil Gas Exploration Software National Engineering Research Center Co ltd
Priority to CN202210772604.2A priority Critical patent/CN117392696A/zh
Publication of CN117392696A publication Critical patent/CN117392696A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/42—Document-oriented image-based pattern recognition based on the type of document
    • G06V30/422—Technical drawings; Geographical maps
    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种地震属性图的生成方法、装置及服务器，属于人工智能技术领域。所述方法包括：调用生成器提取样本地震属性数据的样本地震属性融合特征，并对样本地震属性融合特征进行解码，得到合成地震属性图，样本地震属性融合特征用于表征样本地震属性图的全局轮廓和局部细节；调用多尺寸判别器中每种尺寸的判别器，对相应尺寸的样本地震属性图和合成地震属性图进行识别，得到第一识别结果和第二识别结果；基于第一识别结果、第二识别结果、样本地震属性图及合成地震属性图，对模型参数进行调整，得到已训练的地震属性图生成模型。本公开无需复杂计算通过训练地震属性图生成模型，减小了生成地震属性图的计算量，缩短了地震属性图的生成时长。

Description

地震属性图的生成方法、装置及服务器
技术领域
本公开涉及人工智能技术领域，特别涉及一种地震属性图的生成方法、装置及服务器。
背景技术
探测与地质相关的构造是地震数据分析的主要目标之一，由于地下特征如盐体、断层、河道及其他事件的制图包含了大量有价值的时空信息，具有较大的科学意义和商业价值，因此，有必要进行地震属性解释来鉴定这些地下特征。
目前，主要通过对某一地区的地震数据进行复杂计算，生成该地区的地震属性图。然而，随着地震属性解释任务的复杂化，解释人员对于传统地震属性图生成的效率及效果要求越来越高，需要尽量降低地震属性图的生成时间，以提高地震属性图生成的实时性，从而辅助解释人员实现质控性、交互性更强的地震属性解释任务。然而，目前地图属性图的生成方式计算量较大、耗时较长，无法满足地震属性解释任务实时性的要求。
发明内容
本公开实施例提供了一种地震属性图的生成方法、装置及服务器，能够降低地震属性图生成的计算量、缩短地震属性图的生成时间。所述技术方案如下：
第一方面，提供了一种地震属性图的生成方法，所述方法包括：
获取样本地震属性数据对和待训练的地震属性图生成模型，所述地震属性数据对包括第一预设尺寸的样本地震属性图及所述样本地震属性图对应的样本地震属性数据，所述地震属性图生成模型包括生成器和多尺寸判别器；
调用所述生成器，提取所述样本地震属性数据的样本地震属性融合特征，并对所述样本地震属性融合特征进行解码，得到合成地震属性图，所述样本地震属性融合特征用于表征所述样本地震属性图的全局轮廓和局部细节；
调用所述多尺寸判别器中每种尺寸的判别器，对相应尺寸的样本地震属性图和合成地震属性图进行识别，得到所述样本地震属性图对应的第一识别结果和所述合成地震属性图对应的第二识别结果；
基于所述第一识别结果、所述第二识别结果、所述样本地震属性图及所述合成地震属性图，对所述生成器和所述多尺寸判别器的模型参数进行调整，得到已训练的地震属性图生成模型，所述地震属性图生成模型用于基于地震属性数据，生成相应的地震属性图。
在本公开的另一个实施例中，所述获取样本地震属性数据对，包括：
获取原始地震属性图及所述原始地震属性图对应的原始地震属性数据；
通过采用所述第一预设尺寸的滑动窗口在所述原始地震属性图上进行随机滑动，获取所述样本地震属性图；
从所述原始地震属性数据中，获取所述样本属性地震图对应的所述样本地震属性数据；
将所述样本地震属性图和所述样本地震属性数据组成所述样本地震属性数据对。
在本公开的另一个实施例中，所述生成器包括全局生成器和局部增强器，所述调用所述生成器，提取所述样本地震属性数据的样本地震属性融合特征，包括：
调用所述全局生成器中的第一部分，对所述样本地震属性数据进行处理，得到第一全局地震属性特征；
调用所述局部增强器，对所述样本地震属性数据进行处理，得到局部增强地震属性特征，并将所述第一全局地震属性特征和所述局部增强地震属性特征进行融合，得到中间融合特征；
调用所述全局生成器中的第二部分，对所述中间融合特征进行处理，得到所述样本地震属性融合特征。
在本公开的另一个实施例中，所述调用所述多尺寸判别器中每种尺寸的判别器，对相应尺寸的样本地震属性图和合成地震属性图进行识别，得到所述样本地震属性图对应的第一识别结果和所述合成地震属性图对应的第二识别结果，包括：
将所述样本地震属性图和所述合成地震属性图切分成多个第二预设尺寸的样本图像块和多个第二预设尺寸的合成图像块；
按照每种尺寸的判别器对应的尺寸，对所述多个样本图像块和多个合成图像块进行缩放，得到不同尺寸的多个样本图像块和多个合成图像块；
调用所述多尺寸判别器中每种尺寸的判别器，对相应尺寸的多个样本图像块和多个合成图像块进行识别，得到每种尺寸判别器对相应尺寸的每个样本图像块和每个合成图像块的识别结果；
基于每种尺寸判别器对相应尺寸的每个样本图像块和每个合成图像块的识别结果，确定所述第一识别结果和所述第二识别结果。
在本公开的另一个实施例中，所述基于每种尺寸判别器对相应尺寸的每个样本图像块和每个合成图像块的识别结果，确定所述第一识别结果和所述第二识别结果，包括：
计算每种尺寸判别器对相应尺寸的每个样本图像块的识别结果的平均值，得到每种尺寸判别器对所述样本地震属性图的识别结果，并计算所有尺寸判别器对所述样本地震属性图的识别结果的平均值，得到所述第一识别结果；
计算每种尺寸判别器对相应尺寸的每个合成图像块的识别结果的平均值，得到每种尺寸判别器对所述合成地震属性图的识别结果，并计算所有尺寸判别器对所述合成地震属性图的识别结果的平均值，得到所述第二识别结果。
在本公开的另一个实施例中，所述基于所述第一识别结果、所述第二识别结果、所述样本地震属性图及所述合成地震属性图，对所述生成器和所述多尺寸判别器的模型参数进行调整，得到已训练的地震属性图生成模型，包括：
将所述第一识别结果和所述第二识别结果输入到对抗损失函数中、将所述样本地震属性融合特征和所述合成地震属性图对应的合成地震属性融合特征输入到特征匹配损失函数中、将所述样本地震属性图和所述合成地震属性图输入到内容损失函数中，输出对抗损失函数值、特征损失函数值及内容损失函数值；
基于所述对抗损失函数值、所述特征损失函数值及所述内容损失函数值，对所述生成器和所述多尺寸判别器的模型参数进行调整，得到已训练的地震属性图生成模型。
第二方面，提供了一种地震属性图的生成装置，所述装置包括：
获取模块，用于获取样本地震属性数据对和待训练的地震属性图生成模型，所述地震属性数据对包括第一预设尺寸的样本地震属性图及所述样本地震属性图对应的样本地震属性数据，所述地震属性图生成模型包括生成器和多尺寸判别器；
调用模块，用于调用所述生成器，提取所述样本地震属性数据的样本地震属性融合特征，并对所述样本地震属性融合特征进行解码，得到合成地震属性图，所述样本地震属性融合特征用于表征所述样本地震属性图的全局轮廓和局部细节；
所述调用模块，还用于调用所述多尺寸判别器中每种尺寸的判别器，对相应尺寸的样本地震属性图和合成地震属性图进行识别，得到所述样本地震属性图对应的第一识别结果和所述合成地震属性图对应的第二识别结果；
调整模块，用于基于所述第一识别结果、所述第二识别结果、所述样本地震属性图及所述合成地震属性图，对所述生成器和所述多尺寸判别器的模型参数进行调整，得到已训练的地震属性图生成模型，所述地震属性图生成模型用于基于地震属性数据，生成相应的地震属性图。
在本公开的另一个实施例中，所述获取模块，用于获取原始地震属性图及所述原始地震属性图对应的原始地震属性数据；
通过采用所述第一预设尺寸的滑动窗口在所述原始地震属性图上进行随机滑动，获取所述样本地震属性图；从所述原始地震属性数据中，获取所述样本属性地震图对应的所述样本地震属性数据；将所述样本地震属性图和所述样本地震属性数据，组成所述样本地震属性数据对。
在本公开的另一个实施例中，所述生成器包括全局生成器和局部增强器，所述调用模块，用于调用所述全局生成器中的第一部分，对所述样本地震属性数据进行处理，得到第一全局地震属性特征；调用所述局部增强器，对所述样本地震属性数据进行处理，得到局部增强地震属性特征，并将所述第一全局地震属性特征和所述局部增强地震属性特征进行融合，得到中间融合特征；调用所述全局生成器中的第二部分，对所述中间融合特征进行处理，得到所述样本地震属性融合特征。
在本公开的另一个实施例中，所述调用模块，用于将所述样本地震属性图和所述合成地震属性图切分成多个第二预设尺寸的样本图像块和多个第二预设尺寸的合成图像块；按照每种尺寸的判别器对应的尺寸，对所述多个样本图像块和多个合成图像块进行缩放，得到不同尺寸的多个样本图像块和多个合成图像块；调用所述多尺寸判别器中每种尺寸的判别器，对相应尺寸的多个样本图像块和多个合成图像块进行识别，得到每种尺寸判别器对相应尺寸的每个样本图像块和每个合成图像块的识别结果；基于每种尺寸判别器对相应尺寸的每个样本图像块和每个合成图像块的识别结果，确定所述第一识别结果和所述第二识别结果。
在本公开的另一个实施例中，所述调用模块，用于计算每种尺寸判别器对相应尺寸的每个样本图像块的识别结果的平均值，得到每种尺寸判别器对所述样本地震属性图的识别结果，并计算所有尺寸判别器对所述样本地震属性图的识别结果的平均值，得到所述第一识别结果；计算每种尺寸判别器对相应尺寸的每个合成图像块的识别结果的平均值，得到每种尺寸判别器对所述合成地震属性图的识别结果，并计算所有尺寸判别器对所述合成地震属性图的识别结果的平均值，得到所述第二识别结果。
在本公开的另一个实施例中，所述调整模块，用于将所述第一识别结果和所述第二识别结果输入到对抗损失函数中、将所述样本地震属性融合特征和所述合成地震属性图对应的合成地震属性融合特征输入到特征匹配损失函数中、将所述样本地震属性图和所述合成地震属性图输入到内容损失函数中，输出对抗损失函数值、特征损失函数值及内容损失函数值；基于所述对抗损失函数值、所述特征损失函数值及所述内容损失函数值，对所述生成器和所述多尺寸判别器的模型参数进行调整，得到已训练的地震属性图生成模型。
第三方面，提供了一种服务器，所述服务器包括处理器和存储器，所述存储器中存储有至少一条程序代码，所述至少一条程序代码由所述处理器加载并执行，以实现如第一方面所述的地震属性图的生成方法。
第四方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行，以实现第一方面所述的地震属性图的生成方法。
第五方面，提供了一种计算机程序产品，所述计算机程序产品包括计算机程序代码，所述计算机程序代码存储在计算机可读存储介质中，服务器的处理器从所述计算机可读存储介质读取所述计算机程序代码，所述处理器执行所述计算机程序代码，使得所述服务器执行如第一方面所述的地震属性图的生成方法。
本公开实施例提供的技术方案带来的有益效果是：
获取样本地震属性数据对，该样本地震属性数据对中的样本地震属性图并非整张图像，而是其中的一部分，相应地该样本地震属性数据对中的本地震属性数据只是原始地震属性数据中的一部分，通过采用局部图像和部分数据进行模型训练，大大缩短了模型的训练时长。在模型训练过程中，一方面所提取的样本地震属性融合特征能够表征样本地震属性图的全局轮廓和局部细节，基于该样本地震属性融合特征生成的合成地震属性图，更接近真实的样本地震属性图，另一方面采用不同尺寸的判别器对合成地震属性图进行识别，能够针对不同分辨率的图像具有良好的识别结果。通过上述两方面的处理，使得所训练的地震属性图生成模型的精度较高，无需进行复杂的计算，基于该地震属性图生成模型即可直接生成地震属性图，不仅减少了生成地震属性图的计算量，缩短了生成时长，而且生成的地震属性图准确度较高。
附图说明
为了更清楚地说明本公开实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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是本公开实施例提供的一种地震属性图的生成方法的流程图；
图2是本公开实施例提供的另一种地震属性图的生成方法的流程图；
图3是本公开实施例提供的一种样本地震属性图制作过程的示意图；
图4是本公开实施例提供的一种样本增广过程的示意图；
图5是本公开实施例提供的一种地震属性生成模型的网络结构示意图；
图6是本公开实施例提供所生成的地震属性图；
图7是本公开实施例提供的一种地震属性生成装置的结构示意图；
图8是根据一示例性实施例示出的一种用于地震属性图的生成的服务器。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开实施方式作进一步地详细描述。
可以理解，本公开实施例所使用的术语“每个”、“多个”及“任一”等，多个包括两个或两个以上，每个是指对应的多个中的每一个，任一是指对应的多个中的任意一个。举例来说，多个词语包括10个词语，而每个词语是指这10个词语中的每一个词语，任一词语是指10个词语中的任意一个词语。
本公开所涉及的信息(包括但不限于用户设备信息、用户个人信息等)、数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)以及信号，均为经用户授权或者经过各方充分授权的，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本公开实施例提供了一种地震属性图的生成方法，参见图1，本公开实施例提供的方法流程包括：
101.获取样本地震属性数据对和待训练的地震属性图生成模型。
其中，地震属性数据对包括第一预设尺寸的样本地震属性图及样本地震属性图对应的样本地震属性数据，地震属性图生成模型包括生成器和多尺寸判别器。
102.调用生成器，提取样本地震属性数据的样本地震属性融合特征，并对样本地震属性融合特征进行解码，得到合成地震属性图。
其中，样本地震属性融合特征用于表征样本地震属性图的全局轮廓和局部细节。
103.调用多尺寸判别器中每种尺寸的判别器，对相应尺寸的样本地震属性图和合成地震属性图进行识别，得到样本地震属性图对应的第一识别结果和合成地震属性图对应的第二识别结果。
104.基于第一识别结果、第二识别结果、样本地震属性图及合成地震属性图，对生成器和多尺寸判别器的模型参数进行调整，得到已训练的地震属性图生成模型。
其中，地震属性图生成模型用于基于地震属性数据，生成相应的地震属性图。
本公开实施例提供的方法，获取样本地震属性数据对，该样本地震属性数据对中的样本地震属性图并非整张图像，而是其中的一部分，相应地该样本地震属性数据对中的本地震属性数据只是原始地震属性数据中的一部分，通过采用局部图像和部分数据进行模型训练，大大缩短了模型的训练时长。在模型训练过程中，一方面所提取的样本地震属性融合特征能够表征样本地震属性图的全局轮廓和局部细节，基于该样本地震属性融合特征生成的合成地震属性图，更接近真实的样本地震属性图，另一方面采用不同尺寸的判别器对合成地震属性图进行识别，能够针对不同分辨率的图像具有良好的识别结果。通过上述两方面的处理，使得所训练的地震属性图生成模型的精度较高，无需进行复杂的计算，基于该地震属性图生成模型即可直接生成地震属性图，不仅减少了生成地震属性图的计算量，缩短了生成时长，而且生成的地震属性图准确度较高。
在本公开的另一个实施例中，获取样本地震属性数据对，包括：
获取原始地震属性图及原始地震属性图对应的原始地震属性数据；
通过采用第一预设尺寸的滑动窗口在原始地震属性图上进行随机滑动，获取样本地震属性图；
从原始地震属性数据中，获取样本属性地震图对应的样本地震属性数据；
将样本地震属性图和样本地震属性数据组成样本地震属性数据对。
在本公开的另一个实施例中，生成器包括全局生成器和局部增强器，调用生成器，提取样本地震属性数据的样本地震属性融合特征，包括：
调用全局生成器中的第一部分，对样本地震属性数据进行处理，得到第一全局地震属性特征；
调用局部增强器，对样本地震属性数据进行处理，得到局部增强地震属性特征，并将第一全局地震属性特征和局部增强地震属性特征进行融合，得到中间融合特征；
调用全局生成器中的第二部分，对中间融合特征进行处理，得到样本地震属性融合特征。
在本公开的另一个实施例中，调用多尺寸判别器中每种尺寸的判别器，对相应尺寸的样本地震属性图和合成地震属性图进行识别，得到样本地震属性图对应的第一识别结果和合成地震属性图对应的第二识别结果，包括：
将样本地震属性图和合成地震属性图切分成多个第二预设尺寸的样本图像块和多个第二预设尺寸的合成图像块；
按照每种尺寸的判别器对应的尺寸，对多个样本图像块和多个合成图像块进行缩放，得到不同尺寸的多个样本图像块和多个合成图像块；
调用多尺寸判别器中每种尺寸的判别器，对相应尺寸的多个样本图像块和多个合成图像块进行识别，得到每种尺寸判别器对相应尺寸的每个样本图像块和每个合成图像块的识别结果；
基于每种尺寸判别器对相应尺寸的每个样本图像块和每个合成图像块的识别结果，确定第一识别结果和第二识别结果。
在本公开的另一个实施例中，基于每种尺寸判别器对相应尺寸的每个样本图像块和每个合成图像块的识别结果，确定第一识别结果和第二识别结果，包括：
计算每种尺寸判别器对相应尺寸的每个样本图像块的识别结果的平均值，得到每种尺寸判别器对样本地震属性图的识别结果，并计算所有尺寸判别器对样本地震属性图的识别结果的平均值，得到第一识别结果；
计算每种尺寸判别器对相应尺寸的每个合成图像块的识别结果的平均值，得到每种尺寸判别器对合成地震属性图的识别结果，并计算所有尺寸判别器对合成地震属性图的识别结果的平均值，得到第二识别结果。
在本公开的另一个实施例中，基于第一识别结果、第二识别结果、样本地震属性图及合成地震属性图，对生成器和多尺寸判别器的模型参数进行调整，得到已训练的地震属性图生成模型，包括：
将第一识别结果和第二识别结果输入到对抗损失函数中、将样本地震属性融合特征和合成地震属性图对应的合成地震属性融合特征输入到特征匹配损失函数中、将样本地震属性图和合成地震属性图输入到内容损失函数中，输出对抗损失函数值、特征损失函数值及内容损失函数值；
基于对抗损失函数值、特征损失函数值及内容损失函数值，对生成器和多尺寸判别器的模型参数进行调整，得到已训练的地震属性图生成模型。
上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再一一赘述。
本公开实施例提供了一种地震属性图的生成，以服务器执行本公开实施例为例，该服务器可以是单独的物理服务器，还可以是多个物理服务器构成的集群或分布式系统，本公开实施例不对服务器的类型作具体的限定。参见图2，本公开实施例提供的方法流程包括：
201.获取样本地震属性数据对和待训练的地震属性图生成模型。
其中，地震属性数据对包括第一预设尺寸的样本地震属性图及该样本地震属性图对应的样本地震属性数据。第一预设尺寸根据服务器的处理能力确定，可以为128*128、256*256等等。
服务器在获取样本地震属性数据对时，可采用如下方法：
2011、服务器获取原始地震属性图及原始地震属性图对应的原始地震属性数据。
服务器选取不同地区的原始地震属性数据，该原始地震属性数据能够反映出该地区多样的地震反射特征。然后通过对具有不同面元尺寸、采样率、构造特性的原始地震属性数据进行计算，可得到原始地震属性对应的原始地震属性图。
2012、服务器通过采用第一预设尺寸的滑动窗口在原始地震属性图上进行随机滑动，获取样本地震属性图。
考虑到原始地震属性数据及原始地震属性图的数据量较大，基于数据量较大的原始地震属性数据和原始地震属性图进行模型训练时，训练时间较长，模型性能不佳，因此，本公开实施例中服务器在获取到原始地震属性数据及原始地震属性图之后，还将通过第一预设尺寸的滑动窗口在原始地震属性图上进行随机滑动，获取第一预设尺寸的图像区域，得到样本地震属性图。图3示出了样本属性图的获取过程，参见图3，服务器采用第一预设尺寸的滑动窗口在三张原始地震属性图中进行随机滑动，得到多个样本地震属性图。
2013、服务器从原始地震属性数据中，获取样本属性地震图对应的样本地震属性数据。
由于原始地震属性数据与原始地震属性图是对应的，原始地震属性图中的每一个图像区域均具有对应的原始地震属性数据，因此，当获取到样本属性地震图之后，服务器能够从原始地震属性数据中，获取该样本属性地震图对应的样本地震属性数据。
2014、服务器将样本地震属性图和样本地震属性数据组成样本地震属性数据对。
通常在模型训练过程中，用于进行模型训练的样本数据越多，模型的精度越高、泛化能力越强，为了提高所训练的地震属性图生成模型的泛化能力，基于所得到的样本地震属性数据对，服务器还将采用数据增广技术，对样本地震属性数据进行增广，同时按照对样本地震属性数据的增广方式，对样本地震属性图进行处理，从而达到增加样本地震数据数据对的数量及多样性的目的。其中，数据增广是深度学习中常用的技巧之一，主要用于增加训练数据集，让数据集尽可能的多样化，使得训练的模型具有更强的泛化能力。目前数据增广方法主要包括：水平翻转、垂直翻转、旋转、缩放、裁剪、剪切、平移、对比度、色彩抖动、增加噪声等。图4示出了对图3中得到的样本地震属性图的增广过程，参见图4，如果对图3得到的样本地震属性数据的增广方式为水平翻转90度，则相应地将图3中得到样本地震属性图也水平翻转90度。在对样本地震属性数据进行增广时，如果样本地震属性数据的属性为倾角属性，则需要对样本地震属性数据进行极性翻转。
进一步地，为了满足神经网络的训练需求，本公开实施例将采用数据标准化技术，对样本地震属性数据对中的样本地震属性数据的振幅进行规则化处理，并针对倾角属性的样本地震属性数据，将其角度值转换为角度的正弦值和余弦值。该规则化处理公式为：
x*＝(x―μ)/σ
其中，x代表输入数据，x*代表输出数据，μ代表输入数据的平均值，σ代表输入数据的标准差。
本公开实施例所要训练的地震属性图生成模型为一种像素到像素的高分辨率模型，能够从地震属性数据中获取高分率的地震属性。该地震属性图生成模型采用的是对抗生成网络，与一般的对抗生成网络相同，该地震图属性生成模型包括生成器和判别器。
其中，该生成器采用的是一种从糙到精的生成器模型(coarse-to-finegenerator)，参见图5，该生成器包括全局生成器G1和局部增强器G2，该全局生成器包括第一部分和第二部分，局部增强器位于全局生成器的第一部分和第二部分之间，该全局生成器的第一部分主要用于对输入的地震属性数据进行特征提取，该局部增强器主要用于对输入的地震属性数据进行特征提取，并将提取的特征与生成器的第一部分提取的特征进行融合，该全局生成器的第二部分主要用于对局部增强器提取的特征进行处理，生成合成地震属性图。在模型训练过程中，通常先训练全局生成器，再训练局部增强器，然后整体微调所有网络的参数。
判别器采用多尺度架构(Multi-scale discriminator)，为一种多尺寸判别器，能够在多种尺寸上对输入的图像进行识别，例如，图5示出了判别器包括原始尺寸的判别器、二分之一原始尺寸的判别器、四分之一原始尺寸的判别器。通常来说，尺寸最大的判别器的感受野越大，越关注全局一致性，基于该尺寸最大的判别器能够使得生成的图像在全局角度上更为和谐；尺寸越小的判别器的感受野越小，越关注细节信息，基于该尺寸较小的判别器能够引导生成器生成更为精致的细节图像。
202.调用生成器，提取样本地震属性数据的样本地震属性融合特征。
其中，样本地震属性融合特征用于表征样本地震属性图的全局轮廓和局部细节。服务器调用生成器，提取样本地震属性数据的样本地震属性融合特征的过程为：服务器调用全局生成器中的第一部分，对样本地震属性数据进行处理，得到第一全局地震属性特征，并调用局部增强器，对样本地震属性数据进行处理，得到局部增强地震属性特征，进而将第一全局地震属性特征和局部增强地震属性特征进行融合，得到中间融合特征，接着调用全局生成器中的第二部分，对中间融合特征进行处理，得到样本地震属性融合特征。在将第一全局地震属性特征和局部增强地震属性特征进行融合时，可将第一全局地震属性特征和局部增强地震属性特征同一维度上的特征元素相加。
203.调用生成器，对样本地震属性融合特征进行解码，得到合成地震属性图。
基于得到的样本地震属性融合特征，服务器调用生成器的第二部分，通过对该样本地震属性融合特征进行升维处理，得到合成地震属性图，该合成地震属性图并非真实图像，而是生成器基于样本地震属性数据合成的。
204.调用多尺寸判别器中每种尺寸的判别器，对相应尺寸的样本地震属性图和合成地震属性图进行识别，得到样本地震属性图对应的第一识别结果和合成地震属性图对应的第二识别结果。
服务器调用多尺寸判别器中每种尺寸的判别器，对相应尺寸的样本地震属性图和合成地震属性图进行识别，得到样本地震属性图对应的第一识别结果和合成地震属性图对应的第二识别结果时，可采用如下方法：
2041.服务器将样本地震属性图和合成地震属性图切分成多个第二预设尺寸的样本图像块和多个第二预设尺寸的合成图像块。
其中，第二预设尺寸可根据服务器的性能及待训练的地震属性图生成模型对图像中高频成分的识别能力确定。其中，图像的高频成分主要描述图像中的具体细节，是对图像边缘以及轮廓的度量。低频成分主要是对整张图像的总和描述，代表大范围的信息。由于本公开实施例所训练的地震属性图生成模型能够构建高频部分的细节，因而在模型训练过程中，无需将整张样本地震属性图和合成地震属性图输入到多尺寸判别器中，只需要对样本地震属性图和合成地震属性图进行切分，然后将切分后的图像块输入到多尺寸判别器中即可。在对样本地震属性图和合成地震属性图进行切分时，可按照第二预设尺寸对样本地震属性图和合成地震属性图进行切分，从而得到多个样本图像块和多个合成图像块。所得到的多个样本图像块中的每个样本图像块都是相互独立的，同时所得到的多个合成图像块中的每个合成图像块也是相互独立的。通过对样本地震属性图和合成地震属性图进行切分，降低了输入到多尺寸判别器内图像的维度，减少了输入的参数量，相比于处理一张图像运算速度明显加快。
2042.服务器按照每种尺寸的判别器对应的尺寸，对多个样本图像块和多个合成图像块进行缩放，得到不同尺寸的多个样本图像块和多个合成图像块。
为了能够调用多尺寸判别器中每种尺寸的判别器对多个样本图像块和多个合成图像块进行识别，服务器需要按照每种尺寸的判别器对应的尺寸，对多个样本图像块和多个合成图像块进行缩放。如果判别器的尺寸为原始尺寸，则直无需对输入的多个样本图像块和多个合成图像块进行缩放；如果判别器的尺寸为二分之一原始尺寸，则需要将多个样本图像块和多个合成图像块缩小至第二预设尺寸的二分之一；如果判别器的尺寸为四分之一原始尺寸，则需要将多个样本图像块和多个合成图像块缩小至第二预设尺寸的四分之一。
2043.服务器调用多尺寸判别器中每种尺寸的判别器，对相应尺寸的多个样本图像块和多个合成图像块进行识别，得到每种尺寸判别器对相应尺寸的每个样本图像块和每个合成图像块的识别结果。
2044.服务器基于每种尺寸判别器对相应尺寸的每个样本图像块和每个合成图像块的识别结果，确定第一识别结果和第二识别结果。
基于每种尺寸判别器对相应尺寸的每个样本图像块的识别结果，服务器计算每种尺寸判别器对相应尺寸的每个样本图像块的识别结果的平均值，得到每种尺寸判别器对样本地震属性图的识别结果，进而计算所有尺寸判别器对样本地震属性图的识别结果的平均值，得到第一识别结果。
基于每种尺寸判别器对相应尺寸的每个合成图像块的识别结果，服务器计算每种尺寸判别器对相应尺寸的每个合成图像块的识别结果的平均值，得到每种尺寸判别器对合成地震属性图的识别结果，进而计算所有尺寸判别器对合成地震属性图的识别结果的平均值，得到第二识别结果。
205.基于第一识别结果、第二识别结果、样本地震属性图及合成地震属性图，对生成器和多尺寸判别器的模型参数进行调整，得到已训练的地震属性图生成模型。
本公开实施例预先构建一个总目标损失函数(adversarial loss)，该总目标损失函数包括对抗损失(GAN loss)、特征匹配损失函数(Feature matching loss，FM)以及内容损失函数(Content loss)。其中，对抗损失函数为确保生成的合成地震属性图像真实的函数，该对抗损失函数利用马尔科夫性的判别器(PatchGAN)的策略，即用重建来解决低频成分、用GAN来解决高频成分。特征匹配损失函数作为正则项，用来增强判别器的判别效果。特征匹配损失函数的动机是希望生成的合成地震属性图和样本地震属性图在不同的网络层都具备类似的特征，该特征匹配损失函数是感知损失(Perceptual Loss)，其计算的是不同的网络层的特征图的L1损失。内容损失函数是将合成地震属性图和样本地震属性图输入到VGG16网络中提取特征，然后对提取的特征进行L2损失。如果一个网络生成的图像足够逼真，那么生成图片的特征(度量特征提取网络中提取的)也应该跟真实图片的足够像，因此通过使提取的特征足够相似，能够对生成的图片质量起到促进作用。
具体地，服务器基于第一识别结果、第二识别结果、样本地震属性图及合成地震属性图，对生成器和多尺寸判别器的模型参数进行调整，得到已训练的地震属性图生成模型的过程为：服务器将第一识别结果和第二识别结果输入到对抗损失函数中、将样本地震属性融合特征和合成地震属性图对应的合成地震属性融合特征输入到特征匹配损失函数中、将样本地震属性图和合成地震属性图输入到内容损失函数中，输出对抗损失函数值、特征损失函数值及内容损失函数值，基于对抗损失函数值、特征损失函数值及内容损失函数值，服务器对生成器和多尺寸判别器的模型参数进行调整，得到已训练的地震属性图生成模型。
本公开实施例对地震属性图生成模型的训练目标是，生成器生成的图片越真实越好，同时判别器对图片的判别能力越强越好，而生成器生成的图片与真实图片越接近，生成器生成的图片与真实图片之间的差异越小，判别器识别结果的数值越大，相应地对抗损失函数值、内容损失函数值及特征匹配损失函数值越小。可见，生成器生成图片的真实性及判别器的判别能力，体现在三个损失函数的函数值上，通过计算三个损失函数的函数值，可实现对地震属性图生成模型的训练。
为了实现模型训练目标，服务器不断调整地震属性图生成模型的模型参数，并基于每次调整后的模型参数得到的数据，计算对抗损失函数的函数值、内容损失函数的函数值及特征匹配损失函数的函数值，得到抗损失函数值、内容损失函数值及特征匹配损失函数值。当经过多次参数调整过程，服务器获取使得抗损失函数值、内容损失函数值及特征匹配损失函数值均最小的模型参数的参数值，进而将该模型参数的参数值对应的地震属性图生成模型，作为已训练的地震属性图生成模型。
由于地震属性有多种，包括倾角、曲率、相干等，针对不同的地震属性，本公开实施例可以选取相应地震属性的数据，训练能够生成该地震属性对应图像的地震属性图生成模型。
进一步地，上述训练的地震属性图生成模型可以作为预训练模型加载至网络中。为了提高模型的精度，在实际应用过程中，可应用于实际场景中的目标数据或使用fine-tuning策略，对该地震属性图生成模型的模型参数进行微调，从而得到更适用于目标数据的地震属性图生成模型。
基于上述训练的地震属性图生成模型，当将地震属性数据输入到该地震属性图生成模型中，可生成相应的地震属性图，例如图6所示的图像。对于生成的地震属性图的效果，可使用MSE(Mean Square Error，均方误差)、PSNR(Peak Signal to Noise Ratio，峰值信噪比)以及SSIM(Structural Similarity，结构相似性)等指标评价进行评价。
本公开实施例提供的方法，获取样本地震属性数据对，该样本地震属性数据对中的样本地震属性图并非整张图像，而是其中的一部分，相应地该样本地震属性数据对中的本地震属性数据只是原始地震属性数据中的一部分，通过采用局部图像和部分数据进行模型训练，大大缩短了模型的训练时长。在模型训练过程中，一方面所提取的样本地震属性融合特征能够表征样本地震属性图的全局轮廓和局部细节，基于该样本地震属性融合特征生成的合成地震属性图，更接近真实的样本地震属性图，另一方面采用不同尺寸的判别器对合成地震属性图进行识别，能够针对不同分辨率的图像具有良好的识别结果。通过上述两方面的处理，使得所训练的地震属性图生成模型的精度较高，无需进行复杂的计算，基于该地震属性图生成模型即可直接生成地震属性图，不仅减少了生成地震属性图的计算量，缩短了生成时长，而且生成的地震属性图准确度较高。
参见图7，本公开实施例提供了一种地震属性图的生成装置，该装置包括：
获取模块701，用于获取样本地震属性数据对和待训练的地震属性图生成模型，地震属性数据对包括第一预设尺寸的样本地震属性图及样本地震属性图对应的样本地震属性数据，地震属性图生成模型包括生成器和多尺寸判别器；
调用模块702，用于调用生成器，提取样本地震属性数据的样本地震属性融合特征，并对样本地震属性融合特征进行解码，得到合成地震属性图，样本地震属性融合特征用于表征样本地震属性图的全局轮廓和局部细节；
调用模块702，还用于调用多尺寸判别器中每种尺寸的判别器，对相应尺寸的样本地震属性图和合成地震属性图进行识别，得到样本地震属性图对应的第一识别结果和合成地震属性图对应的第二识别结果；
调整模块703，用于基于第一识别结果、第二识别结果、样本地震属性图及合成地震属性图，对生成器和多尺寸判别器的模型参数进行调整，得到已训练的地震属性图生成模型，地震属性图生成模型用于基于地震属性数据，生成相应的地震属性图。
在本公开的另一个实施例中，获取模块701，用于获取原始地震属性图及原始地震属性图对应的原始地震属性数据；通过采用第一预设尺寸的滑动窗口在原始地震属性图上进行随机滑动，获取样本地震属性图；从原始地震属性数据中，获取样本属性地震图对应的样本地震属性数据；将样本地震属性图和样本地震属性数据，组成样本地震属性数据对。
在本公开的另一个实施例中，生成器包括全局生成器和局部增强器，调用模块702，用于调用全局生成器中的第一部分，对样本地震属性数据进行处理，得到第一全局地震属性特征；调用局部增强器，对样本地震属性数据进行处理，得到局部增强地震属性特征，并将第一全局地震属性特征和局部增强地震属性特征进行融合，得到中间融合特征；调用全局生成器中的第二部分，对中间融合特征进行处理，得到样本地震属性融合特征。
在本公开的另一个实施例中，调用模块702，用于将样本地震属性图和合成地震属性图切分成多个第二预设尺寸的样本图像块和多个第二预设尺寸的合成图像块；按照每种尺寸的判别器对应的尺寸，对多个样本图像块和多个合成图像块进行缩放，得到不同尺寸的多个样本图像块和多个合成图像块；调用多尺寸判别器中每种尺寸的判别器，对相应尺寸的多个样本图像块和多个合成图像块进行识别，得到每种尺寸判别器对相应尺寸的每个样本图像块和每个合成图像块的识别结果；基于每种尺寸判别器对相应尺寸的每个样本图像块和每个合成图像块的识别结果，确定第一识别结果和第二识别结果。
在本公开的另一个实施例中，调用模块702，用于计算每种尺寸判别器对相应尺寸的每个样本图像块的识别结果的平均值，得到每种尺寸判别器对样本地震属性图的识别结果，并计算所有尺寸判别器对样本地震属性图的识别结果的平均值，得到第一识别结果；计算每种尺寸判别器对相应尺寸的每个合成图像块的识别结果的平均值，得到每种尺寸判别器对合成地震属性图的识别结果，并计算所有尺寸判别器对合成地震属性图的识别结果的平均值，得到第二识别结果。
在本公开的另一个实施例中，调整模块703，用于将第一识别结果和第二识别结果输入到对抗损失函数中、将样本地震属性融合特征和合成地震属性图对应的合成地震属性融合特征输入到特征匹配损失函数中、将样本地震属性图和合成地震属性图输入到内容损失函数中，输出对抗损失函数值、特征损失函数值及内容损失函数值；基于对抗损失函数值、特征损失函数值及内容损失函数值，对生成器和多尺寸判别器的模型参数进行调整，得到已训练的地震属性图生成模型。
综上所述，本公开实施例提供的装置，获取样本地震属性数据对，该样本地震属性数据对中的样本地震属性图并非整张图像，而是其中的一部分，相应地该样本地震属性数据对中的本地震属性数据只是原始地震属性数据中的一部分，通过采用局部图像和部分数据进行模型训练，大大缩短了模型的训练时长。在模型训练过程中，一方面所提取的样本地震属性融合特征能够表征样本地震属性图的全局轮廓和局部细节，基于该样本地震属性融合特征生成的合成地震属性图，更接近真实的样本地震属性图，另一方面采用不同尺寸的判别器对合成地震属性图进行识别，能够针对不同分辨率的图像具有良好的识别结果。通过上述两方面的处理，使得所训练的地震属性图生成模型的精度较高，无需进行复杂的计算，基于该地震属性图生成模型即可直接生成地震属性图，不仅减少了生成地震属性图的计算量，缩短了生成时长，而且生成的地震属性图准确度较高。
图8是根据一示例性实施例示出的一种用于地震属性图的生成的服务器。参照图8，服务器800包括处理组件822，其进一步包括一个或多个处理器，以及由存储器832所代表的存储器资源，用于存储可由处理组件822的执行的指令，例如应用程序。存储器832中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件822被配置为执行指令，以执行上述地震属性图的生成方法中服务器所执行的功能。
服务器800还可以包括一个电源组件826被配置为执行服务器800的电源管理，一个有线或无线网络接口850被配置为将服务器800连接到网络，和一个输入输出(I/O)接口858。服务器800可以操作基于存储在存储器832的操作系统，例如Windows ServerTM，Mac OSXTM，UnixTM,LinuxTM，FreeBSDTM或类似。
本公开实施例提供了一种计算机可读存储介质，该存储介质中存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行，以实现地震属性图的生成方法。该计算机可读存储介质可以是非暂态的。例如，该计算机可读存储介质可以是只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、CD-ROM(Compact Disc Read-Only Memory，只读光盘存储器)、磁带、软盘和光数据存储设备等。
本公开实施例提供了一种计算机程序产品，所述计算机程序产品包括计算机程序代码，所述计算机程序代码存储在计算机可读存储介质中，服务器的处理器从所述计算机可读存储介质读取所述计算机程序代码，所述处理器执行所述计算机程序代码，使得所述服务器执行地震属性图的生成方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本公开的可选实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种地震属性图的生成方法，其特征在于，所述方法包括：
获取样本地震属性数据对和待训练的地震属性图生成模型，所述地震属性数据对包括第一预设尺寸的样本地震属性图及所述样本地震属性图对应的样本地震属性数据，所述地震属性图生成模型包括生成器和多尺寸判别器；
调用所述生成器，提取所述样本地震属性数据的样本地震属性融合特征，并对所述样本地震属性融合特征进行解码，得到合成地震属性图，所述样本地震属性融合特征用于表征所述样本地震属性图的全局轮廓和局部细节；
调用所述多尺寸判别器中每种尺寸的判别器，对相应尺寸的样本地震属性图和合成地震属性图进行识别，得到所述样本地震属性图对应的第一识别结果和所述合成地震属性图对应的第二识别结果；
基于所述第一识别结果、所述第二识别结果、所述样本地震属性图及所述合成地震属性图，对所述生成器和所述多尺寸判别器的模型参数进行调整，得到已训练的地震属性图生成模型，所述地震属性图生成模型用于基于地震属性数据，生成相应的地震属性图。
2.根据权利要求1所述的方法，其特征在于，所述获取样本地震属性数据对，包括：
获取原始地震属性图及所述原始地震属性图对应的原始地震属性数据；
通过采用所述第一预设尺寸的滑动窗口在所述原始地震属性图上进行随机滑动，获取所述样本地震属性图；
从所述原始地震属性数据中，获取所述样本属性地震图对应的所述样本地震属性数据；
将所述样本地震属性图和所述样本地震属性数据组成所述样本地震属性数据对。
3.根据权利要求1所述的方法，其特征在于，所述生成器包括全局生成器和局部增强器，所述调用所述生成器，提取所述样本地震属性数据的样本地震属性融合特征，包括：
调用所述全局生成器中的第一部分，对所述样本地震属性数据进行处理，得到第一全局地震属性特征；
调用所述局部增强器，对所述样本地震属性数据进行处理，得到局部增强地震属性特征，并将所述第一全局地震属性特征和所述局部增强地震属性特征进行融合，得到中间融合特征；
调用所述全局生成器中的第二部分，对所述中间融合特征进行处理，得到所述样本地震属性融合特征。
4.根据权利要求1所述的方法，其特征在于，所述调用所述多尺寸判别器中每种尺寸的判别器，对相应尺寸的样本地震属性图和合成地震属性图进行识别，得到所述样本地震属性图对应的第一识别结果和所述合成地震属性图对应的第二识别结果，包括：
将所述样本地震属性图和所述合成地震属性图切分成多个第二预设尺寸的样本图像块和多个第二预设尺寸的合成图像块；
按照每种尺寸的判别器对应的尺寸，对所述多个样本图像块和多个合成图像块进行缩放，得到不同尺寸的多个样本图像块和多个合成图像块；
调用所述多尺寸判别器中每种尺寸的判别器，对相应尺寸的多个样本图像块和多个合成图像块进行识别，得到每种尺寸判别器对相应尺寸的每个样本图像块和每个合成图像块的识别结果；
基于每种尺寸判别器对相应尺寸的每个样本图像块和每个合成图像块的识别结果，确定所述第一识别结果和所述第二识别结果。
5.根据权利要求4所述的方法，其特征在于，所述基于每种尺寸判别器对相应尺寸的每个样本图像块和每个合成图像块的识别结果，确定所述第一识别结果和所述第二识别结果，包括：
计算每种尺寸判别器对相应尺寸的每个样本图像块的识别结果的平均值，得到每种尺寸判别器对所述样本地震属性图的识别结果，并计算所有尺寸判别器对所述样本地震属性图的识别结果的平均值，得到所述第一识别结果；
计算每种尺寸判别器对相应尺寸的每个合成图像块的识别结果的平均值，得到每种尺寸判别器对所述合成地震属性图的识别结果，并计算所有尺寸判别器对所述合成地震属性图的识别结果的平均值，得到所述第二识别结果。
6.根据权利要求1所述的方法，其特征在于，所述基于所述第一识别结果、所述第二识别结果、所述样本地震属性图及所述合成地震属性图，对所述生成器和所述多尺寸判别器的模型参数进行调整，得到已训练的地震属性图生成模型，包括：
将所述第一识别结果和所述第二识别结果输入到对抗损失函数中、将所述样本地震属性融合特征和所述合成地震属性图对应的合成地震属性融合特征输入到特征匹配损失函数中、将所述样本地震属性图和所述合成地震属性图输入到内容损失函数中，输出对抗损失函数值、特征损失函数值及内容损失函数值；
基于所述对抗损失函数值、所述特征损失函数值及所述内容损失函数值，对所述生成器和所述多尺寸判别器的模型参数进行调整，得到已训练的地震属性图生成模型。
7.一种地震属性图的生成装置，其特征在于，所述装置包括：
获取模块，用于获取样本地震属性数据对和待训练的地震属性图生成模型，所述地震属性数据对包括第一预设尺寸的样本地震属性图及所述样本地震属性图对应的样本地震属性数据，所述地震属性图生成模型包括生成器和多尺寸判别器；
调用模块，用于调用所述生成器，提取所述样本地震属性数据的样本地震属性融合特征，并对所述样本地震属性融合特征进行解码，得到合成地震属性图，所述样本地震属性融合特征用于表征所述样本地震属性图的全局轮廓和局部细节；
所述调用模块，还用于调用所述多尺寸判别器中每种尺寸的判别器，对相应尺寸的样本地震属性图和合成地震属性图进行识别，得到所述样本地震属性图对应的第一识别结果和所述合成地震属性图对应的第二识别结果；
调整模块，用于基于所述第一识别结果、所述第二识别结果、所述样本地震属性图及所述合成地震属性图，对所述生成器和所述多尺寸判别器的模型参数进行调整，得到已训练的地震属性图生成模型，所述地震属性图生成模型用于基于地震属性数据，生成相应的地震属性图。
8.一种服务器，其特征在于，所述服务器包括处理器和存储器，所述存储器中存储有至少一条程序代码，所述至少一条程序代码由所述处理器加载并执行，以实现如权利要求1至6中任一项所述的地震属性图的生成方法。
9.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行，以实现如权利要求1至6中任一项所述的地震属性图的生成方法。
10.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序代码，所述计算机程序代码存储在计算机可读存储介质中，服务器的处理器从所述计算机可读存储介质读取所述计算机程序代码，所述处理器执行所述计算机程序代码，使得所述服务器执行如权利要求1至6中任一项所述的地震属性图的生成方法。
CN202210772604.2A 2022-06-30 2022-06-30 地震属性图的生成方法、装置及服务器 Pending CN117392696A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210772604.2A CN117392696A (zh) 2022-06-30 2022-06-30 地震属性图的生成方法、装置及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210772604.2A CN117392696A (zh) 2022-06-30 2022-06-30 地震属性图的生成方法、装置及服务器

Publications (1)

Publication Number Publication Date
CN117392696A true CN117392696A (zh) 2024-01-12

Family

ID=89468959

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210772604.2A Pending CN117392696A (zh) 2022-06-30 2022-06-30 地震属性图的生成方法、装置及服务器

Country Status (1)

Country Link
CN (1) CN117392696A (zh)

Similar Documents

Publication Publication Date Title
Ruta et al. In-vehicle camera traffic sign detection and recognition
US7508990B2 (en) Apparatus and method for processing video data
CN112767554B (zh) 一种点云补全方法、装置、设备及存储介质
CN110490158B (zh) 一种基于多级模型的鲁棒人脸对齐方法
CN109145745B (zh) 一种遮挡情况下的人脸识别方法
CN109978882A (zh) 一种基于多模态融合的医疗影像目标检测方法
WO2007146102A2 (en) Apparatus and method for processing video data
CN107767358B (zh) 一种图像中物体模糊度确定方法和装置
CN112037225B (zh) 一种基于卷积神经的海洋船舶图像分割方法
CN110738153A (zh) 异质人脸图像转换方法、装置、电子设备及存储介质
CN116665695B (zh) 虚拟对象口型驱动方法、相关装置和介质
CN111488810A (zh) 人脸识别方法、装置、终端设备及计算机可读介质
CN107944497A (zh) 基于主成分分析的图像块相似性度量方法
CN114972016A (zh) 图像处理方法、装置、计算机设备、存储介质及程序产品
Tangsakul et al. Single image haze removal using deep cellular automata learning
CN114694074A (zh) 一种使用图像生成视频的方法、装置以及存储介质
Cui et al. Image signature based mean square error for image quality assessment
Babu et al. An efficient image dahazing using Googlenet based convolution neural networks
CN117830611A (zh) 目标检测方法、装置及电子设备
CN117392696A (zh) 地震属性图的生成方法、装置及服务器
CN112818950B (zh) 一种基于生成对抗网络和时间卷积网络的唇语识别方法
Sehli et al. WeLDCFNet: Convolutional Neural Network based on Wedgelet Filters and Learnt Deep Correlation Features for depth maps features extraction
He et al. MTRFN: Multiscale temporal receptive field network for compressed video action recognition at edge servers
CN107423765A (zh) 基于稀疏编码反馈网络的自底而上显著目标检测方法
CN114463379A (zh) 一种视频关键点的动态捕捉方法及装置

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