MétaCan
Menu
Retour à la cohorte
Enregistrement W2970656153 · doi:10.3997/2214-4609.201900840

Complex Microseismic Noise Attenuation by Block Matching and Trilateral Weighted Sparse Coding

2019· article· en· W2970656153 sur OpenAlexaff
Cedegao E. Zhang, Mirko van der Baan

Notice bibliographique

Revue81st EAGE Conference and Exhibition 2019 · 2019
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueSeismic Imaging and Inversion Techniques
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésNoise reductionAlgorithmFidelityNeural codingNoise measurementComputer scienceRegularization (linguistics)Sparse matrixCoding (social sciences)Matching pursuitNoise (video)AttenuationMathematicsPattern recognition (psychology)Artificial intelligenceCompressed sensing

Résumé

récupéré en direct d'OpenAlex

Summary Most existing denoising algorithms will become less effective when applied to non-stationary complex noise. In this paper, we propose to use a trilateral weighted sparse coding scheme within the block matching framework for complex noise attenuation. Two weight matrices are introduced into the data-fidelity term of the sparse coding model to characterize the complex noise property, and another weight matrix is introduced into the regularization term to characterize the sparsity priors of signals. Finally, the optimization problem of the proposed sparse coding scheme is solved by the alternating direction method of multipliers. Experimental results demonstrate that the proposed algorithm achieves much better performance than state-of-the-art denoising methods.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,457
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,020
Tête enseignante GPT0,219
Écart entre enseignants0,200 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revue81st EAGE Conference and Exhibition 2019Même sujetSeismic Imaging and Inversion TechniquesTravaux en français237 207