算法说明
在这种网络结构中,地震数据在输入到网络之前会经过了一系列嵌入手段来对数据的空间进行了重构 (编码), 并通过DNN来进行空间对齐, 最后用CNN对对齐数据进行训练 (解码)。
在之后的Improve SeisInvNet Architecture 在原SeisInvNet网络基础上, 扩宽了嵌入操作维度范围, 在一定程度上提升了SeisInvNet的效果, 同时, 提出了更多的模拟地层结构的仿真手段来弥补原SeisInvNet的泛化性不足的问题。
网络结构设计思路
传统的CNN存在缺陷:
- 数据的空间对应性较弱
- 地震数据与速度模型的反射接受关系不确定
因此作者引入了嵌入和DNN特征提取等一些手段替代CNN对于地震图像的前期编码的处理。
以下图是对地震数据先进行嵌入操作,再对齐,最后得到速度模型。
嵌入操作
拿到地震数据后,取其邻域信息、观测信息和上下文信息,得到嵌入数据,示意图如下:
邻域信息
这里取两张图像信息:同一炮,同一时间,不同接收器接收的信息;同一接收器,不同炮,不同时间接收到的信息。
接着对两张图像分别用CNN处理,要求处理后尺寸不变
在得到CNN后的图片信息后,仍然取地震信息对应的那一列
同理,另一张图片也做同样的处理,之后将两列数据加权求和
全局信息
全局信息则是将同炮信息和同观测点信息分别卷积,成
(
c
,
1
,
1
)
(c, 1, 1)
(c,1,1)的形式,再做拼接,即可得到全局信息。
观测设置
观测设置则是为了确定当前数据具体位置,因此使用了道与炮信息的独热编码,并合并,得到该信息。
总结:对于任意地震信息,通过三种嵌入思路合并,实现嵌入数据
空间对齐
使用DNN实现空间对齐(待补充)
解码过程
通过CNN进行解码(待补充)
损失函数
采用了一个L2范数和SSIM构成的联合损失函数来作为最终的Loss