Segmentation of seismic images based on self-supervised learning and few-labeled samples
As atuais metodologias de aprendizado profundo tradicionais para interpretação de imagens sísmicas dependem fortemente de grandes quantidades de dados rotulados. Embora muitos volumes sísmicos estejam disponíveis para download em bancos de dados públicos, esses dados não possuem uma interpretação as...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2023 |
| País: | Brasil |
| Institución: | Universidade Federal de Minas Gerais (UFMG) |
| Repositorio: | Repositório Institucional da UFMG |
| Idioma: | inglés |
| OAI Identifier: | oai:repositorio.ufmg.br:1843/72142 |
| Acceso en línea: | http://hdl.handle.net/1843/72142 https://orcid.org/0000-0001-7288-5504 https://orcid.org/0000-0002-8889-1586 https://orcid.org/0000-0001-8760-9801 |
| Access Level: | acceso abierto |
| Palabra clave: | self-supervised learning seismic image semantic segmentation aprendizado auto-supervisionado imagem sísmica segmentação semântica Computação – Teses Aprendizado do computador – Teses Aprendizado profundo – Teses Sismologia – Análise de imagens – Teses |
| Sumario: | As atuais metodologias de aprendizado profundo tradicionais para interpretação de imagens sísmicas dependem fortemente de grandes quantidades de dados rotulados. Embora muitos volumes sísmicos estejam disponíveis para download em bancos de dados públicos, esses dados não possuem uma interpretação associada. Isso coloca desafios significativos em relação à aceleração da interpretação sísmica. No entanto, esse campo também é de interesse crescente e apresenta muitas oportunidades de melhoria. Há também um interesse crescente em abordar problemas de segmentação com dados rotulados limitados, especialmente em cenários de poucas amostras. Essas metodologias oferecem o potencial para uma resolução mais efetiva do problema dos dados rotulados limitados. Assim como em muitos outros contextos, a interpretação sísmica também pode se beneficiar de métodos de aprendizado auto-supervisionado, que se baseiam em treinamento prévio sem rótulos manualmente anotados e posterior ajuste fino com poucos rótulos. Para demonstrar o potencial desse tipo de abordagem, foram conduzidos uma série de experimentos com três simples tarefas preliminares auto-supervisionadas: previsão de rotação, montagem de quebra-cabeça e previsão de ordem de slices. Também, utilizamos de tarefas prévias com múltiplos objetivos para verificar se a combinação de tarefas forneceria melhor ponto de partida para o ajuste posterior. Essas tarefas exigem que o modelo aprenda características semânticas dos dados, que podem ser usadas como ponto de partida para o ajuste fino em uma tarefa de segmentação semântica, com o objetivo de identificar as diferentes facies litoestratigráficas em seções sísmicas. Nossos resultados para 1, 5, 10 e 20 amostras rotuladas mostraram uma melhoria significativa nas medidas de Interseção-sobre-União para essa tarefa alvo na maioria dos cenários, superando o método de referência. Além disso, aplicamos técnicas de ensemble para aprimorar ainda mais o desempenho dos modelos ajustados, obtendo resultados ainda melhores para a tarefa de segmentação. Esses experimentos indicam que a aplicação de métodos SSL pode trazer benefícios substanciais para a interpretação sísmica, especialmente em situações com poucos dados rotulados disponíveis. |
|---|