Edge-aware filtering with Siamese neural networks
Notice bibliographique
Résumé
Abstract Recent demands to reduce turnaround times and expedite investment decisions in seismic exploration have invited new ways to process and interpret seismic data. Among these ways is a more integrated collaboration between seismic processors and geologist interpreters aiming to build preliminary geologic models for early business impact. A key aspect has been quick and streamlined delivery of clean high-fidelity 3D seismic images via postmigration filtering capabilities. We present a machine learning-based example of such a capability built on recent advances in deep learning systems. In particular, we leverage the power of Siamese neural networks, a new class of neural networks that is powerful at learning discriminative features. Our novel adaptation, edge-aware filtering, employs a deep Siamese network that ranks similarity between seismic image patches. Once the network is trained, we capitalize on the learned features and self-similarity property of seismic images to achieve within-image stacking power endowed with edge awareness. The method generalizes well to new data sets due to the few-shot learning ability of Siamese networks. Furthermore, the learning-based framework can be extended to a variety of noise types in 3D seismic data. Using a convolutional architecture, we demonstrate on three field data sets that the learned representations lead to superior filtering performance compared to structure-oriented filtering. We examine both filtering quality and ease of application in our analysis. Then, we discuss the potential of edge-aware filtering as a data conditioning tool for rapid structural interpretation.
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 | 0,000 |
| 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 ».