地震圖像分析在工業(yè)應(yīng)用中起著至關(guān)重要的作用,并受到了廣泛的關(guān)注。地震圖像分析面臨的主要挑戰(zhàn)之一是檢測(cè)地下的鹽體結(jié)構(gòu),這對(duì)于識(shí)別油氣儲(chǔ)藏和規(guī)劃鉆探路徑至關(guān)重要。當(dāng)前,傳統(tǒng)的地震圖像分析仍然需要專業(yè)人員來分析鹽體。卷積神經(jīng)網(wǎng)絡(luò)已成功應(yīng)用于許多領(lǐng)域,并在地震成像領(lǐng)域進(jìn)行了多次嘗試。鹽體的數(shù)據(jù)特征與自然圖像不同。例如,鹽體的形狀是不確定的,并且沒有形狀的先驗(yàn)知識(shí);地質(zhì)數(shù)據(jù)的紋理更加突出等等。因此,一般的語義分割網(wǎng)絡(luò)在鹽體數(shù)據(jù)上表現(xiàn)不佳。針對(duì)鹽體數(shù)據(jù)的這些特性,本文設(shè)計(jì)了一種深度監(jiān)督的語義分割模型,并通過邊緣預(yù)測(cè)分支對(duì)分割結(jié)果進(jìn)行了優(yōu)化。本文主要研究?jī)?nèi)容如下:首先,針對(duì)鹽體數(shù)據(jù)不定形的問題,設(shè)計(jì)了一種多任務(wù)深度監(jiān)督的鹽體語義分割方法,通過構(gòu)建分類,分割多路徑的協(xié)同優(yōu)化模型,實(shí)現(xiàn)了對(duì)鹽體數(shù)據(jù)的有效分割,提高了分割結(jié)果的準(zhǔn)確性。其次,針對(duì)小目標(biāo)難以準(zhǔn)確分割的問題,設(shè)計(jì)了一個(gè)邊緣預(yù)測(cè)分支來預(yù)測(cè)鹽體的邊界,它通過對(duì)邊界損失的監(jiān)督來指導(dǎo)特征學(xué)習(xí),從而使網(wǎng)絡(luò)可以更加明確地區(qū)分鹽體語義邊界兩側(cè)的特征,有效提升了鹽體邊界分割的準(zhǔn)確性,進(jìn)而提升對(duì)小目標(biāo)的分割性能,最終提升鹽體分割的整體性能。最后,針對(duì)鹽體數(shù)據(jù)分辨... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：76 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

語義分割示意圖

電子科技大學(xué)碩士學(xué)位論文圖1-2編碼器-解碼器結(jié)構(gòu)說明最大池化操作時(shí)，存儲(chǔ)相應(yīng)的最大池化索引，解碼器執(zhí)行上采樣和卷積，其中在上采樣階段調(diào)用相應(yīng)編碼器層處的最大池化索引恢復(fù)原始位置關(guān)系以實(shí)現(xiàn)更加精確的上采樣，最后使用k類Softmax分類器來預(yù)測(cè)每個(gè)像素的類別。Lin等人提出一種多路徑優(yōu)化網(wǎng)絡(luò)模型——RefineNet[4]，它是基于ResNet的殘差連接的思想設(shè)計(jì)的，可以充分利用下采樣過程損失的信息，使得稠密預(yù)測(cè)更為精準(zhǔn)。網(wǎng)絡(luò)首先通過一個(gè)卷積層處理輸入進(jìn)來的不同分辨率圖片的分割結(jié)果，從而學(xué)習(xí)得到各通道下的適應(yīng)性權(quán)重。隨后，應(yīng)用上采樣統(tǒng)一所有通道下的分割結(jié)果，并將各通道結(jié)果求和并送入下一個(gè)模塊。解碼器階段，網(wǎng)絡(luò)利用串聯(lián)殘差池化（ChainedResidualPooling），用前一級(jí)的殘差結(jié)果作為下一級(jí)的殘差學(xué)習(xí)模塊的輸入，而非直接從校正后的分割結(jié)果上再重新習(xí)得一個(gè)獨(dú)立的殘差。這樣可以使得后面的模塊在前面殘差的基礎(chǔ)上，繼續(xù)深入學(xué)習(xí)，得到一個(gè)更好的殘差校正結(jié)果。最后，網(wǎng)絡(luò)又經(jīng)過一個(gè)殘差卷積（ResidualConvolutionUnit，RCU）模塊，平衡所有的權(quán)重，最終得到與輸入空間尺寸相同的分割結(jié)果。2017年曠視科技提出GCN（GlobalConvolutionalNetwork）網(wǎng)絡(luò)，將語義分割問題分解為分類和定位兩個(gè)子任務(wù)[5]。分類需要特征對(duì)于多種變換具有不變性，而定位則需要對(duì)變換比較敏感，兩者是矛盾的。為了兼顧分類和定位兩個(gè)任務(wù)，GCN提出不能有全連接或全局池化等操作丟失位置信息，同時(shí)需要更大的卷積核使得逐像素分類器或者特征譜上每個(gè)位置的聯(lián)系更加稠密。根據(jù)矩陣分解，利用1×k+k×1和k×1+1×k的卷積來替代原來的k×k大核卷積，使得有效感受野顯著增大。Yu等人提出的DFN（DiscriminativeFeatureNetwork）則認(rèn)為現(xiàn)有語義分割方4

DilatedFCN結(jié)構(gòu)說明

【參考文獻(xiàn)】：
期刊論文
[1]三維多方向邊緣探測(cè)技術(shù)識(shí)別鹽丘的新方法（英文）[J]. Asjad Amin,Mohamed Deriche.  Applied Geophysics. 2015(03)



本文編號(hào)：3065135