周报1: 修改全波形反演网络结构 2023.7.8

1、本周的主要工作

0）摘要

无

1）解决的问题

全波形反演缺少大量的真实地震数据，并且真实数据无全标签，仅有测井数据可以参考。目前的基于深度学习的全波形反演（DL-FWI）方案，几乎都是在合成数据上进行模型训练。而我们的最终目标，是希望能够通过DL-FWI，反演真实的速度模型，表征实际地层结构。我们拟采用域适应的深度全波形反演方法，减小合成数据和真实数据的鸿沟，提高模型在真实地震数据上的精度。

2）实现方案

全波形反演基于多任务的网络结构实现，包括全波形反演（主任务）、地层识别（辅助任务）。

训练的时候分为三阶段：

 1) 使用合成数据训练特征提取器g、速度模型生成器v1、v2、地层识别器s1、s2；

令预测的速度模型和识别的地层和标签差别最小；

2）固定特征提取器g、使用合成数据和真实数据训练速度模型生成器v1、v2、地层识别器s1、s2；

令预测的速度模型和识别的地层和标签在合成数据上差别最小；且在真实数据上，最大化速度对抗块VAB中v1和v2的差异，最大化地层识别对抗块SAB中s1和s2的差异；

3）固定速度模型生成器v1、v2、地层识别器s1、s2，使用真实数据，训练固定特征提取器g；

使得真实数据上，速度对抗块VAB中v1和v2的差异，地层识别对抗块SAB中s1和s2的差异最小。

3）实验结果（或存在问题）

目前网络结构已经搭建完成，在训练过程中的代码报错，正在解决。

4）结论

无

2、其他辅助工作

1）文献阅读

Zhou L, Ye M, Zhu X, et al. Class Discriminative Adversarial Learning for Unsupervised Domain Adaptation[C]//Proceedings of the 30th ACM International Conference on Multimedia. 2022: 4318-4326.

Kang G, Wei Y, Yang Y, et al. Pixel-level cycle association: A new perspective for domain adaptive semantic segmentation[J]. Advances in neural information processing systems, 2020, 33: 3569-3580.

2）代码提升

3）组内培训

参与培训三次，完成星移的修改网络的作业。学会了inversion_net的网络搭建。

目前疑问，转置卷积的参数设置，估计下次课会讲解。

3、下周工作计划

1）拟解决的问题

解决训练代码的报错。

2）拟实现方案

暂无