Multiresolution neural networks for tracking seismic horizons from few training images
Notice bibliographique
Résumé
Detecting a specific horizon in seismic images is a valuable tool for geologic interpretation. Because hand picking the locations of the horizon is a time-consuming process, automated computational methods were developed starting three decades ago. Until now, most networks have been trained on data that were created by cutting larger seismic images into many small patches. This limits the networks ability to learn from large-scale geologic structures. Moreover, currently available networks and training strategies require label patches that have full and continuous horizon picks (annotations), which are also time-consuming to generate. We have developed a projected loss function that enables training on labels with just a few annotated pixels and has no issue with the other unknown label pixels. We use this loss function for training convolutional networks with a multiresolution structure, including variants of the U-net. Our networks learn from a small number of large seismic images without creating patches. Training uses all seismic data without reserving some for validation. Only the labels are split into training/testing. We validate the accuracy of the trained network using the horizon picks that were never shown to the network. Contrary to other work on horizon tracking, we train the network to perform nonlinear regression, not classification. As such, we generate labels as the convolution of a Gaussian kernel and the known horizon locations that communicate uncertainty in the labels. The network output is the probability of the horizon location. We examine the new method on two different data sets, one for horizon extrapolation and another data set for interpolation. We found that the predictions of our methodology are accurate even in areas far from known horizon locations because our learning strategy exploits all data in large seismic images.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».