文献阅读（二）

《基于对抗神经网络和正则化技术的高分辨率地震断层识别与解释》
High-resolution seismic faults interpretation based on adversarial neural networks with a regularization technique

摘要：

本文提出了一个用于断层识别的网络（叫FaultAdvNet），它有两个特点：一是使用小样本真实数据训练，属于轻量化NN，二是具有全局特征融合的优点。这两点不同于以往研究（网络提取的是目标层的局部特征，训练时候用的是合成数据）。那这样做有什么优点呢，一方面全局特征综合考虑目标和背景两部分信息，另一方面合成数据是对人工模型的正演模拟，经地质条件简化的模型难以反映地下复杂的实际构造情况，所以现场数据提供更多真实地下信息。
本文使用的现场数据来自墨西哥湾。
网络表现出了3方面优点：
1.断层具有较好的连续性；
2.断层边界清晰；
3.断层识别可信度高（概率为0.95~1）？（怎么得到这个概率的，难道说现场数据是有标签的？）
下面看网络是如何构成的，共有3个部分：
1.用于分割的模块（0.49M是什么意思？是该模块参数占所有参数的49%吗）
2.用于特征融合的模块
3.作为正则化约束的模块——鉴别器

概览

具有像素级别的断层识别能力（几十米）
网络设计理念：GAN（隐式正则项/辅助网络/鉴别器）+强化学习（对应的是鉴别器，以此作为隐式正则项）

网络结构+公式分析

数据体：

网络设计分为3个模块：
（1）分割模块->识别断层；
（2）特征融合模块->合并断层信息与反射信息；——创新点（克服模糊编辑、低连续性、将倾斜层误判为断层）
（3）鉴别器模块->判断全局特征图中的目标特征是预测断层（来自分割模块）还是真实断层（来自断层标签）
网络与GAN的相同之处在于（1）和（3）是类似GAN中的关系，相互促进。
网络与GAN的不同之处在于（2），约束NN关注全局信息。
网络是如何用鉴别器（像老师）实现对生成器（像学生）增强的？具体来说，网络（3）中的分类器会输出一个置信张量，以此判断（2）中融合了全局特征的2个断层结果是来自（1）还是来自真实标签？以此判断作为正则项来加强（1）的识别能力，目的是达到（1）和真实标签越来越接近。

网络结束后，后续处理的流程（为提高断层识别的分辨率以及连续性）：
连续性增强+断层细化+异常值去除
如何实现的呢？具体来说，
求断层斜率，将相同断层斜率的不连续性视为断层点进行连续性改进；
预测的断层以给定的值（预测值和标签值的平均率）沿水平方向收缩到中心点；
如果专家判断&预测的断层不足1/9（断层像素的数量在每3 × 3矩阵中小于1），则将预测的断层作为散射或分叉去除。

以下公式都按照像素点的取值来理解
公式1（度量对背景信息的关注度）：
对预测断层的关注度$\bar{P}=1-P$，取值[0,1]
对真实断层的关注度$\bar{y}=1-y$，取值[0,1]
若是断层，则值小。以此削弱对断层的关注，加大对背景信息的关注。
公式2（以像素值的形式显示对背景信息的关注度）
预测断层的像素值${\bar{P}}_s=\bar{P}\cdot S$，取值[0,255]
真实断层的像素值${\bar{y}}_s=\bar{y}\cdot S$，取值[0,255]
若是像素点来自相同地层，则像素值相同（明暗相近）。以此找到断层点。
公式3（目标区域亮处和暗处局部对比度的归一化），对于给定像素点附近的坐标（a,b）来计算，反映的是全局特征的度量：
预测断层处的对比度${\bar{P}}_L=O_{\mathrm{LCN}}\left({\bar{P}}_s\right)$，取值[0,1]
真实断层处的对比度${\bar{y}}_L=O_{\mathrm{LCN}}\left({\bar{y}}_s\right)$，取值[0,1]
若是7⨉7内的像素值差异大，则经过高斯滤波平滑处理后，与原来差较大，即分子$O_{\mathrm{SN}}(x)$大。以此突出边界位移比较大或者说明暗变化强的地方
涉及到的算子如下：
$\begin{array}{l}{O}_{\mathrm{LCN}}(x)=\frac{O_{\mathrm{SN}}(x)}{\max \left(O_{\mathrm{SD}}(x)\cdot \text{ mean, }{O}_{\mathrm{SD}}(x)\right)},\\ O_{\mathrm{SN}}(x)=x-x\ast \text{ Gauss, }{O}_{\mathrm{SD}}(x)=O_{\mathrm{SN}}(x{)}^2\ast \text{ Gauss, }\\ \text{ Gauss }=\frac{1}{2\pi {\delta }^2}{e}^{\frac{-\left[(a-m{)}^2+(b-m{)}^2\right]}{2{\delta }^2}},(\delta =2),\end{array}$

如何训练

模块1：
8次epoch，
输入83条训练样本（偏移图像），输出预测结果（断层/非断层即y=0或1），
误差函数是由预测断层和预测非断层两部分构成，

模块2：
输入预测断层&真实断层（反演出局部特征$P$，$y$）
输出全局特征${\bar{P}}_L$，${\bar{y}}_L$
模块3——分类任务：
6次epoch，
输入全局特征${\bar{P}}_L$，${\bar{y}}_L$，
输出分类误差（衡量输出的分布与真实分布之间的差异），
误差函数是由来自预测断层和真实标签两部分组成（分类交叉熵的好处：避免梯度消失问题）

一个疑问：
根据上述交叉熵函数，它能实现对于把是${\bar{P}}_L$类的误判成不是该类的情况，误差会增大。但是对于把不是${\bar{P}}_L$类的误判成该类，不会产生误差（因为系数是0），这合理吗？

由此做好分类后，再通过

计算模块1生成器的效果：显然分数越高越不好。

正则项约束

对实验结果的分析

为什么该网络能提高分辨率，显著性分析说明两点原因：
1.FaultAdvNet侧重于断层特征和周围沉积物反射层的位移（指对某个像素所属类别有较大影响的区域），因此FaultAdvNet断层预测对噪声和地震数据的低信噪比不敏感。
2.此外，U-Net相对较低的注意力强度值(图9d )也意味着对预测数据的泛化能力较低。换句话说，如图9所示的模型注意力强度表明，FaultAdvNet的输出通过使用具有断层和周围沉积物的全局视图来辅助预测，从而实现了高分辨率的预测，这是常规U-Net所不具备的。（通过全局特征提高了模型注意力强度，提高模型泛化能力）

通过实验具体分析模块2和模块3对传统U-Net的改进：
为了比较，在没有判别器和特征融合的正则化约束下，我们单独训练分割模块进行第二个循环。
在预测结果中(图10c )，斑点散布在断层周围，并与相邻断层相连，影响了断层的正确分离。尽管利用预测结果进行断层定位可能需要一定的后处理，但仅利用模糊输出很难分离出两个密集分布的断层，如图10c所示。

读后小结

作者认为，这篇文章最大的借鉴意义在于，以融合全局特征图作为隐式正则化项的神经网络，在其他地质特征识别任务中（如河道、盐丘、气团等）具有广阔的应用前景。