DL-FWI基础入门培训视频学习4——FCNVMB

shengMio

已于 2024-06-12 21:28:05 修改

阅读量265

点赞数 2

分类专栏：视频学习总结文章标签：学习

于 2023-10-31 18:20:26 首次发布

本文链接：https://blog.csdn.net/m0_56382522/article/details/134130592

版权

视频学习总结专栏收录该内容

5 篇文章 0 订阅

订阅专栏

Deep-learning inversion: a next generation seismic
velocity-model building method（2019）

面向数据集：SEG盐数据及其模拟。该论文第一次提出SEG盐数据。严格的端到端网络结构，是UNet网络结构。

FCNVMB：UNet架构下的FWI。FCNVNB采用FCN这个网络实现VMB（velocity Model Build，速度模型构建）操作。FCN是全连接卷积神经网络，主要针对图像分割这类任务。FCNVMB是基于监督的深度全卷积神经网络。

UNet网络（2015）：

基于编码器-解码器的网络，解码时会利用编码器的特征，信息利用能关联。

该网络浅层特征图更倾向于表达例如点、线、边缘轮廓等基本特征单元，蕴含的空间信息更多。深层特征图更倾向于表达图像的语义信息，蕴含的空间信息更少，语义特征更多。

FCNVMB：

1. 网络解释：

FCNVMB由基本的左侧编码器和右侧的解码器共同构成，分别采用蓝色和橙色表示。编码器的结构会通过skip connection（跳跃连接）来与解码器的部分通道进行补充，用黑色虚线表示该过程。这里的skip connection是直接进行通道的合并而非相加。

一个红色箭头代表三种操作的集合（conv，BN，ReLU），通过红色箭头，特征图的尺寸并不会发生改变，相当于特征的重整合，为接下来的尺寸变化做准备。紫色箭头代表下采样即最大池化，可导致尺寸缩小一半，相当于特征提取进一步细化。黄色箭头代表2*2的反卷积则会导致尺寸扩大一倍，蓝色箭头表示1*1的卷积，保证图像尺寸不变，进行特征映射。
立方体的宽度代表通道个数，这些数值在下面被用蓝色数字标明，通道数的变化与卷积个数有关，这个可以通过程序灵活定义，但是可以发现通道的减少是服从一定规律的。
侧截面代表当前网络层的Feature map。立方体中的黑色字体就代表这个Feature map截面的尺寸。

2. 代码：

在代码中，会将一些简单卷积相关操作整合，自底向上来看，分为三步：

1. Pytorch中独立的卷积操作,这些是低级操作；

2. 一些卷积组合(两次红色箭头)被封装为: unetConv2(…)，它们可以视为中级操作；

3. 表示编码和解码的高级操作被封装为unetDown(…)和unetUp(…)，即下采样和上采样，这些操作的组合顺序在图中用不同的色区分割。这两个高级操作是由[两次中级操作]和[一次低级操作如最大池化、反卷积、1*1卷积]。

skip connection部分代码细节：

一次跳跃连接的过程：

1. 先获得上一次得到的特征图，经过一次上采样，得到outputs2；

2. 获取编码结构与之相对应的输出特征图，并接收过来；

3. 通过F.pad()操作补齐尺寸；

4. 把两个特征图通过torch.cat()拼接在一起，在将拼接好的图通过一次卷积操作输出。

注：skip connection在代码中的实现过程，明确当前Feature map与编码阶段的哪个层进行通道整合。

inputs2表示上一次unetUp(…)操作结束后的输出Feature map，同时也作为本次unetUp(…)的最近端输入。
inputs2在进入程序后立马进行了一次反卷积，扩大了一倍尺寸，变成了outputs2。从inputs2到outputs2，尺寸扩大了一倍，通道数缩小了一半，故outputs2尺寸为256*100*76。
input1是来自于与当前向上采样相对称的一次下采样操作的输出结果。

要实现通道合并/贴合（通过torch.cat()操作实现），需要尺寸相同。input1和outputs2虽然通道一致，但在尺寸上并不匹配。于是通过F.pad操作将input1进行了扩充，得到了同尺寸的output1。

而后将output1和outputs2进行通道合并，合并为一个512*100*76的Feature map。最后将这个Feature map作为一个整体，再度进行两次红色箭头的操作。

3. FCNVMB训练过程

——采用了迁移学习的思路

1. 基于速度模型，先通过正演生成地震数据。

2. 调用代码训练初始模型，训练100轮，训练后得到一个初始的预训练模型，可针对模拟盐数据进行预测。

3. 使用真实速度模型先正演得到地震数据，再进行训练，50轮，得到再训练模型。

4. InversionNet和FCNVMB的异同：

相同点：

都是单一的端到端深度网络结构，并没有利用更多的物理含义。
都使用编码器-解码器的架构。
都是利用叠前多炮数据的不同炮集直接投入训练，并未处理。

不同点：

InversionNet在编码过程中最终将图像压缩为完全的一维向量，抛弃了空间关联性；而FCNVMB在压缩后仍保留了25*19的空间尺寸关联。但是对应的代价是FCMVMB的模型内存占有量很大，难以进行大batch体量的训练，而InversionNet可以非常灵活进行训练。
FCNVMB面向SEG数据，InversionNet面向部分OpenFWI的数据。因为OpenFWI数据的特点，InversionNet有非常明显的高度降维部分，即花大量时间进行空间压缩，把时间域压到跟空间域差不多大，再进行同时压缩；而FCNVMB是方形卷积，可将时间域和空间域同时压缩。
FCNVMB使用了迁移学习的训练手段，InversionNet是单一的训练思想。
FCNVMB采用了包含skip connection的UNet的架构，而IrversionNet是单一的CNN架构。

了解叠前/叠后多炮数据、迁移学习