Loading...
机构名称:

fo

¥ 1.0

深度学习模型已成为解决大多数图像分析问题的事实上的方法。组成这些模型的参数的质量取决于用于培训的标记数据的数量和质量。尽管地球物理域通常会生成大量数据,但标记数据仍然是任何机器学习应用程序管道中的瓶颈。这导致对数据合成的兴趣增加,以防止由于培训数据有限而导致无法转移到看不见的数据的过度模型。数据合成研究主要集中在摄影图像上,这些图像与非常常见的地球物理问题的软件生成图像不同。在这项研究中,我们旨在解决这一差距。我们提出了一种数据综合方法,该方法能够在维护图像特征的基本分布假设的同时扩展训练数据集。我们的框架使用四种增强技术执行数据综合:水平翻转,高斯模糊,清晰度和一种特殊的数据增强算法,称为TrivialAugmentMentment。这些技术利用种子数据集生成一组与种子集相似的知觉质量的新图像。每个数据集用于在图像分类任务上微调有效网络网络模型,以在声学和电阻率形成日志图像中进行断裂检测。使用Pohokura-1的公共基准数据集对图像分类任务进行了评估,该数据集是位于塔拉纳基盆地的Pohokura气场的一部分。声学和电阻率形成图像对数也可用于孔,并指示图像中存在断裂。我们的框架综合了该种子集中的其他数据,我们的结果表明,对于通过日志生成的地球物理图像,生成的trivialaugmentwide技术生成了数据集,从而导致模型性能的最大改善。该方法提出了一种新型的定性数据增强方法,以提高深度学习模型精度。由于对数产生的图像而非照片图像之间的感知区别,对各种方法的评估很重要,而这些图像与摄影图像相反,这是大多数数据合成研究的重点。此外,定性数据合成是一种强大的技术,用于减轻深度学习模型的过度拟合,这是地球物理领域中的永久问题,因此增强了模型的传递性,以使其可转移到看不见的数据。

fo

foPDF文件第1页

相关文件推荐

2025 年
¥3.0