基于深度学习的盐体语义分割算法研究

发布时间：2021-03-05 11:39

　　地震图像分析在工业应用中起着至关重要的作用,并受到了广泛的关注。地震图像分析面临的主要挑战之一是检测地下的盐体结构,这对于识别油气储藏和规划钻探路径至关重要。当前,传统的地震图像分析仍然需要专业人员来分析盐体。卷积神经网络已成功应用于许多领域,并在地震成像领域进行了多次尝试。盐体的数据特征与自然图像不同。例如,盐体的形状是不确定的,并且没有形状的先验知识;地质数据的纹理更加突出等等。因此,一般的语义分割网络在盐体数据上表现不佳。针对盐体数据的这些特性,本文设计了一种深度监督的语义分割模型,并通过边缘预测分支对分割结果进行了优化。本文主要研究内容如下:首先,针对盐体数据不定形的问题,设计了一种多任务深度监督的盐体语义分割方法,通过构建分类,分割多路径的协同优化模型,实现了对盐体数据的有效分割,提高了分割结果的准确性。其次,针对小目标难以准确分割的问题,设计了一个边缘预测分支来预测盐体的边界,它通过对边界损失的监督来指导特征学习,从而使网络可以更加明确地区分盐体语义边界两侧的特征,有效提升了盐体边界分割的准确性,进而提升对小目标的分割性能,最终提升盐体分割的整体性能。最后,针对盐体数据分辨... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

语义分割示意图

电子科技大学硕士学位论文图1-2编码器-解码器结构说明最大池化操作时，存储相应的最大池化索引，解码器执行上采样和卷积，其中在上采样阶段调用相应编码器层处的最大池化索引恢复原始位置关系以实现更加精确的上采样，最后使用k类Softmax分类器来预测每个像素的类别。Lin等人提出一种多路径优化网络模型——RefineNet[4]，它是基于ResNet的残差连接的思想设计的，可以充分利用下采样过程损失的信息，使得稠密预测更为精准。网络首先通过一个卷积层处理输入进来的不同分辨率图片的分割结果，从而学习得到各通道下的适应性权重。随后，应用上采样统一所有通道下的分割结果，并将各通道结果求和并送入下一个模块。解码器阶段，网络利用串联残差池化（ChainedResidualPooling），用前一级的残差结果作为下一级的残差学习模块的输入，而非直接从校正后的分割结果上再重新习得一个独立的残差。这样可以使得后面的模块在前面残差的基础上，继续深入学习，得到一个更好的残差校正结果。最后，网络又经过一个残差卷积（ResidualConvolutionUnit，RCU）模块，平衡所有的权重，最终得到与输入空间尺寸相同的分割结果。2017年旷视科技提出GCN（GlobalConvolutionalNetwork）网络，将语义分割问题分解为分类和定位两个子任务[5]。分类需要特征对于多种变换具有不变性，而定位则需要对变换比较敏感，两者是矛盾的。为了兼顾分类和定位两个任务，GCN提出不能有全连接或全局池化等操作丢失位置信息，同时需要更大的卷积核使得逐像素分类器或者特征谱上每个位置的联系更加稠密。根据矩阵分解，利用1×k+k×1和k×1+1×k的卷积来替代原来的k×k大核卷积，使得有效感受野显著增大。Yu等人提出的DFN（DiscriminativeFeatureNetwork）则认为现有语义分割方4

DilatedFCN结构说明

【参考文献】：
期刊论文
[1]三维多方向边缘探测技术识别盐丘的新方法（英文）[J]. Asjad Amin,Mohamed Deriche.  Applied Geophysics. 2015(03)



本文编号：3065135