边缘反转网络:在边缘设备上启用 InversionNet 的高效推理
本文介绍了 Fourier-DeepONet 的模型在地震波形反演中的应用实验结果,相较于已有的数据驱动 FWI 方法,该模型在不同频率和位置的源参数下表现出更高的鲁棒性和更准确的预测结果。
May, 2023
借助物理原理指导的扩散模型,引入 EdGeo 工具包生成高保真速度图,用于微调精简机器学习模型;实验证明,使用 EdGeo 生成的数据进行微调可获得优质速度图,尤其适合表示特殊特征,优于其他现有方法。
Jan, 2024
本文提供基于结构剪枝的边缘设备上的 CNN 微调方法,旨在提高模型精度和降低计算和存储性能消耗。结果表明,数据感知的剪枝和重新训练可以在各种子集,网络和剪枝级别上提供 10.2pp 的精度提高。
Jun, 2020
本研究提出了一种基于深度学习的地震速度反演方法,针对不同规模的嘈杂和噪声较小的训练数据集进行了研究。我们的 Seismic Velocity Inversion Network (SVInvNet) 引入了一种新的架构,其中包含了一个增强型的多连接编码器 - 解码器结构,该设计经过专门调整以有效处理复杂信息,从而解决非线性地震速度反演的挑战。通过训练和测试,我们创建了多层次、错误和盐穹模型等多种地震速度模型。我们还研究了不同种类的环境噪声以及训练数据集的大小对学习结果的影响。SVInvNet 在包含 750 到 6,000 个样本的数据集上进行了训练,并使用一个包含 12,000 个样本的大型基准数据集进行了测试。尽管参数较基准模型更少,但 SVInvNet 在该数据集上取得了优异的性能。我们还将 SVInvNet 的结果与全波形反演(FWI)方法进行了比较分析,清楚地展示了提出模型的有效性。
Dec, 2023
利用深度生成模型作为地震学参数的先验分布,结合变分贝叶斯推理方法,解决全波形反演中的非线性和非唯一的逆问题,为地下结构提供了考虑内在不确定性的洞察。
Jun, 2024
物理信息机器学习 (PIML) 逆问题算法主要包括 FWI 和神经网络,PIML 相较于传统方法具有避免局部最小值和局部训练优势,但对测试数据和训练数据相似性要求较高,可以通过预训练和微调策略来克服此限制。
Oct, 2023
通过动态神经网络的方法,我们提出了一种训练大型网络并在推理阶段从中提取子网络的简单方式,以满足模型尺寸或复杂性约束,实验证明该方法可以在单个大型模型中显著缩短训练时间,并在不同子网络尺寸和复杂性上有效提高分离性能。
Dec, 2023
本文提出了一种高效、灵活的 DNN 分区方法,通过迭代删除不重要的卷积层过滤器进行剪枝,从而减少移动设备的无线传输负担或总计算负担,并能够自动选择满足各种延迟和准确性要求的修剪过的模型。实验表明,与未剪枝的原始 DNN 模型相比,该框架在传输负载上可实现多达 25.6 倍的降低,总计算速度加快了 6.01 倍,端到端延迟降低了 4.81 倍。
Mar, 2019
基于弹性散射理论和深度学习技术,本文提出了一种基于物理问题的时间谐波全波形反演方法,以增强解的准确性,并通过修改变分自编码器的结构引入了一种基于物理问题的概率深度学习方法,能够探索解的不确定性。为了评估提出的方法的性能和准确性,并鉴于该领域数据集的有限可用性,我们创建了一个逼近实际的综合数据集,并对所提出的方法进行了比较分析。
Jun, 2024