典型文献
基于改进残差网络的地震相识别方法研究
文献摘要：
地震相识别是地震资料解释的一项基础工作,使用基于深度学习的地震相识别可以极大提升地震数据解释效率.现有语义分割模型的特征通常由深层低分辨率的特征映射得到,牺牲空间分辨率、忽略细节信息,导致模型对于地震相类别间的边缘精细度刻画差.此外,现有方法使用单一交叉熵损失函数,对边界预测惩罚过于严重,也会导致边界预测值模糊.针对以上问题,提出一种提升边缘准确度的地震相识别模型.其在ResNet网络末端加入RRM(Residual Refinement Module,RRM)模块强调捕捉全局信息,获得良好的边缘刻画效果;在损失函数上,采用多级混合损失,改善地震相边界的刻画问题.将此研究方法应用于荷兰北海F3工区数据的实验结果表明:相比基于UNet的语义分割模型,改进的残差网络语义分割模型在地震相主测线剖面的预测中有着更高的精度与更加良好的边缘刻画结果.
文献关键词：
地震相;深度学习;语义分割;残差网络;监督学习
中图分类号：
作者姓名：
李增浩;硕良勋;柴变芳;吴恒;王天意;赵云鹤
作者机构：
河北地质大学信息工程学院, 河北 石家庄 050031;河北省智能传感物联网技术工程研究中心, 河北 石家庄 050031
文献出处：
引用格式：
[1]李增浩;硕良勋;柴变芳;吴恒;王天意;赵云鹤-.基于改进残差网络的地震相识别方法研究)[J].河北地质大学学报,2022(06):49-53,61
A类：
B类：
残差网络,地震相识别,地震资料解释,基础工作,地震数据,数据解释,语义分割,分割模型,低分辨率,特征映射,空间分辨率,细节信息,相类,精细度,交叉熵损失函数,边界预测,识别模型,ResNet,RRM,Residual,Refinement,Module,全局信息,混合损失,荷兰,北海,F3,工区,比基,UNet,主测线,监督学习
AB值：
0.299952
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
