地震圖像分析在工業(yè)應用中起著至關重要的作用,并受到了廣泛的關注。地震圖像分析面臨的主要挑戰(zhàn)之一是檢測地下的鹽體結構,這對于識別油氣儲藏和規(guī)劃鉆探路徑至關重要。當前,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)絡已成功應用于許多領域,并在地震成像領域進行了多次嘗試。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知識;地質數(shù)據(jù)的紋理更加突出等等。因此,一般的語義分割網(wǎng)絡在鹽體數(shù)據(jù)上表現(xiàn)不佳。針對鹽體數(shù)據(jù)的這些特性,本文設計了一種深度監(jiān)督的語義分割模型,并通過邊緣預測分支對分割結果進行了優(yōu)化。本文主要研究內容如下:首先,針對鹽體數(shù)據(jù)不定形的問題,設計了一種多任務深度監(jiān)督的鹽體語義分割方法,通過構建分類,分割多路徑的協(xié)同優(yōu)化模型,實現(xiàn)了對鹽體數(shù)據(jù)的有效分割,提高了分割結果的準確性。其次,針對小目標難以準確分割的問題,設計了一個邊緣預測分支來預測鹽體的邊界,它通過對邊界損失的監(jiān)督來指導特征學習,從而使網(wǎng)絡可以更加明確地區(qū)分鹽體語義邊界兩側的特征,有效提升了鹽體邊界分割的準確性,進而提升對小目標的分割性能,最終提升鹽體分割的整體性能。最后,針對鹽體數(shù)據(jù)分辨... 

【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：76 頁

【學位級別】：碩士

【部分圖文】：

語義分割示意圖

電子科技大學碩士學位論文圖1-2編碼器-解碼器結構說明最大池化操作時，存儲相應的最大池化索引，解碼器執(zhí)行上采樣和卷積，其中在上采樣階段調用相應編碼器層處的最大池化索引恢復原始位置關系以實現(xiàn)更加精確的上采樣，最后使用k類Softmax分類器來預測每個像素的類別。Lin等人提出一種多路徑優(yōu)化網(wǎng)絡模型——RefineNet[4]，它是基于ResNet的殘差連接的思想設計的，可以充分利用下采樣過程損失的信息，使得稠密預測更為精準。網(wǎng)絡首先通過一個卷積層處理輸入進來的不同分辨率圖片的分割結果，從而學習得到各通道下的適應性權重。隨后，應用上采樣統(tǒng)一所有通道下的分割結果，并將各通道結果求和并送入下一個模塊。解碼器階段，網(wǎng)絡利用串聯(lián)殘差池化（ChainedResidualPooling），用前一級的殘差結果作為下一級的殘差學習模塊的輸入，而非直接從校正后的分割結果上再重新習得一個獨立的殘差。這樣可以使得后面的模塊在前面殘差的基礎上，繼續(xù)深入學習，得到一個更好的殘差校正結果。最后，網(wǎng)絡又經(jīng)過一個殘差卷積（ResidualConvolutionUnit，RCU）模塊，平衡所有的權重，最終得到與輸入空間尺寸相同的分割結果。2017年曠視科技提出GCN（GlobalConvolutionalNetwork）網(wǎng)絡，將語義分割問題分解為分類和定位兩個子任務[5]。分類需要特征對于多種變換具有不變性，而定位則需要對變換比較敏感，兩者是矛盾的。為了兼顧分類和定位兩個任務，GCN提出不能有全連接或全局池化等操作丟失位置信息，同時需要更大的卷積核使得逐像素分類器或者特征譜上每個位置的聯(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）則認為現(xiàn)有語義分割方4

DilatedFCN結構說明

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



本文編號：3065135