Nov, 2018

自动盐堆分割：一种深度学习方法

PDF
TL;DR本文介绍了一个基于深度学习的神经网络，利用 U-Net 结合 Spatial-Channel Squeeze & Excitation、Lovasz loss、CoordConv 和 Hypercolumn 等方法，对地震图像数据进行盐度沉积物区分。该方法在 TGS-NOPEC Geophysical Company 主办的竞赛中获得了第 27 名的好成绩，可以在链接中获取源代码。
seismic reflectionhydrocarbon explorationsalt depositsdeep learning networksneural network
发现论文，激发创造
  • 使用卷积神经网络集合半监督分割地震图像中的盐体

    该研究提出了一种半监督方法，利用未标记的数据进行多轮自我训练，使用卷积神经网络以及 CNNs 的集合来减少自我训练过程中的误差放大，以检测地震图像中的盐体，实验证明该方法在 TGS Salt Identification Challenge 数据集上性能优于现有方法，位列 3234 种竞争方法的第一位。

    Apr, 2019

  • 使用机器学习方法对复杂油藏进行早期地质勘探中的海陆数据进行专家独立的解释

    该研究旨在开发并应用一种自主方法，预测研究区域油气藏扩散的概率。该方法基于 3D 地震勘探数据和地质信息，实现了对地质地球物理数据的专家独立概括，并利用该概括通过假设检验和生成地质模型。

    Apr, 2023

  • 基于子孔径分解的引导无监督学习用于海洋 SAR 图像检索

    利用子孔径分解算法提高海洋 SAR 图像的无监督学习检索精度，并表明使用多普勒重心图像时，该算法带来了重要的性能提升，为新的无监督物理引导检索算法开辟了新的研究方向。

    Sep, 2022

  • 通过迁移学习从钻井岩芯图像中直接预测矿物含量

    利用机器学习，特别是卷积神经网络 (CNN)，从钻井岩心图像分析中评估岩性和矿物含量的潜力，并提供了全面的方法论，展示了 96.7% 的岩心分割分类准确率，并验证了该方法在矿物含量评估上与实验室检测结果相当。

    Mar, 2024

  • 使用具有注意力层的卷积神经网络从地震振幅中高分辨率地检测地球结构异质性

    提出一种使用卷积神经网络和注意力层结合的高效且具有成本效益的架构，用于检测地震结构异质性，通过利用合成数据进行迁移学习以训练和微调模型，解决有限标注数据可用性的挑战。

    Apr, 2024

  • 卷积神经网络用于地震检测

    使用卷积神经网络 (ConvNetQuake) 检测和定位地震事件，以解决小型和中等级地震活动中的低幅度震动噪声的问题。

    Apr, 2023

  • 利用深度编码器 — 解码器模型进行油污分割

    本研究测试了使用深度编码器 - 解码器模型检测油污泄漏的可行性，并比较了几种不同模型的实验结果，其中最佳模型是使用 ResNet-50 编码器和 DeepLabV3 + 解码器，相比当前基准模型，该模型在 “油污泄漏” 类上的平均 IoU 为 64.868％，类 IoU 为 61.549％。

    May, 2023

  • 利用光学雷达跨波段少样本迁移学习进行土地利用预测

    该研究探索了使用深度学习方法和分布对齐的神经网络嵌入可以提高卫星影像分析的准确性，尤其是在少量样本预测中，显著地超越了多种基线方法，其关键词有卫星图像分析，深度学习，迁移学习，Sentinel 和地区气候分区。

    Dec, 2022

  • 大规模地质碳和能源储存的高效机器学习代理

    通过专门的机器学习模型和领域分解，该研究提出了一种减少大规模地质储存成本的方法，以增强机器学习在地质碳储存中的效率。

    Oct, 2023

  • 遥感图像的海冰提取：算法、数据集、应用和挑战

    该研究深入探讨了基于深度学习的算法、数据集、应用以及未来的发展趋势，对海冰提取问题进行了综合回顾。

    Jun, 2023