Diffraction pattern recognition using deep semantic segmentation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ABSTRACT Diffraction imaging can help better understand small‐scale geological structures. Due to their often‐weak signal, in order to image them, it is necessary to separate diffraction signals from the rest of the wavefield. Many different methods have been developed for diffraction wavefield separation, and the newest trend includes the application of artificial neural networks and deep learning. Available case studies with a deep‐learning approach for diffraction separation show good results when applied to synthetic and sedimentary setting datasets where diffraction signals are either strong or have pronounced characteristics. Examples, however, are missing from crystalline or hardrock geological settings where the signal‐to‐noise ratio is by far lower and diffraction signals are usually within a complex reflectivity medium, have steep tails and are usually incomplete. In this study, we showcase the application of a deep semantic segmentation model on synthetic seismic, real ground‐penetrating radar, and hardrock seismic datasets. Synthetic seismic sections were generated using different random noise levels and coherent noise resembling a complex reflectivity pattern interfering with diffraction tails. For the real GPR dataset, diffraction signals were successfully delineated, although in some locations reflections were picked up because of their similar pixel values as the apex of the diffractions. As for the real seismic dataset, through a number of approaches, we were able to completely delineate a single diffraction within several inlines that was generated from a massive sulphide body. The algorithm also enabled us to recognize an incomplete diffraction, at the edge of the seismic cube, which was never labelled. This diffraction originated from outside of the seismic volume and may be a target for future mineral exploration programmes, thanks to the deep semantic segmentation algorithm providing this possibility.
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.
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 découle