Automated seismic semantic segmentation using attention U-Net
Notice bibliographique
Résumé
ABSTRACT Seismic facies mapping from a 3D seismic cube is of significant value to various seismic interpretation and characterization tasks. Traditional facies mapping is based on examining sedimentary environments and stratigraphic sequences that provide distinct characteristics used for facies mapping. Given the complex nature of the task, manual facies mapping is typically time and labor consuming, and the quality of the decisions varies as a function of expertise. This complexity is further increased with the ever-increasing size of 3D seismic data sets. Deep-learning methods have indicated a promising potential to perform fast, accurate, and automated segmentation tasks. We investigate the application of machine-learning techniques, particularly state-of-the-art deep convolutional neural networks (CNNs), as a framework to perform accurate automated seismic facies pixel-wise segmentation. The workflow consists of a CNN-based U-Net architecture that adopts modern computer vision techniques. We develop three major changes to the standard U-Net to boost the performance for seismic semantic segmentation tasks: (1) using residual building blocks in the encoder, (2) using transformer-like attention gates after each residual block, and (3) using frequency spectrum data, in addition to seismic amplitude, as input to the network. We indicate that this implementation achieves higher accuracy metrics outperforming recently published state-of-the-art benchmarks. The performance of our method is validated using two 3D seismic data sets, the F3 Netherlands data set and the Penobscot data set acquired offshore Nova Scotia, Canada. Experimentation involves training on a set of samples and tuning the hyperparameters, followed by quantitative evaluation of the trained network. Our workflow produces high-quality segmentation with significantly reduced artifacts, improved edge detection, and improved lateral consistency throughout the seismic survey.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».