地震数据插值之深度学习方法

支持向量回归

Jia, Y., and J. Ma, 2017, What can machine learning do for seismic data processing? An interpolation application: Geophysics, 82, no. 3, V163–V177, doi: 10.1190/geo2016-0300.1. (SVR 方法从训练数据中挖掘出一个连续回归超平面，该超平面指示具有缺失轨迹的输入数据与输出完整数据之间的隐藏关系，然后使用学习的超平面对其他输入数据插入缺失的地震轨迹.)

Dario, A. B. O., S. F. Rodrigo, S. Reinaldo, and E. V. Brazil, 2018, Inter- polating seismic data with conditional generative adversarial networks: IEEE Geoscience and Remote Sensing Letters, 15, 1952–1956, doi: 10 .1109/LGRS.2018.2866199. (插值叠后数据缺失间隙)

S. Alwon, “Generative adversarial networks in seismic data processing,” in Seg Technical Program Expanded Abstracts, pp. 1991-1995, Aug. 2018.

A. Siahkoohi, R. Kumar and F. Herrmann, “Seismic data reconstruction with generative adversarial networks,” in 80th EAGE Conference and Exhibition, pp. 1-5, Jan. 2018. (可以处理严重欠采样的地震数据，但是，它要求一定百分比的完全采样的镜头可用作训练数据)

D.Oliveira, R. Ferreira, R. Silva and E. Vital Brazil, "Interpolating seismicdata with conditional generative adversarial networks,”IEEE Geosci.Remote S., vol. 15, no.12, pp.1952-1956, Sept.2018. (当数据结构复杂时，这可能会呈现较低的分辨率和一些非地质伪影)

Deep Priors

Q. Liu, L. Fu, and M. Zhang, “Deep-seismic-prior- based reconstruction of seismic data using convolutional neural networks,” Geophysics, 2019.

残差网络

Wang, B., N. Zhang, W. Lu, and J. Wang, 2019, Deep-learning-based seismic data interpolation: A preliminary result: Geophysics, 84, no. 1, V11–V20, doi: 10.1190/geo2017-0495.1. （插值常规缺失数据）

Q. Wang, Z. Teng, J. Xing, J. Gao, W. Hu, and S. Maybank, “Learning attentions: Residual attentional siamese network for high performance online visual tracking,” in Proc. IEEE Conf. Comput. Vis. Pattern Recognit., 2018, pp. 4854–4863.

卷积自动编码器

Wang, Y., B. Wang, N. Tu, and J. Geng, 2020, Seismic trace interpolation for irregularly spatial sampled data using convolutional autoencoder: Geophysics, 85, no. 2, V119–V130, doi: 10.1190/geo2018-0699.1. (插入随机缺失数据)

S. Mandelli, V. Lipari, P. Bestagini and S. Tubaro, “Interpolation and denoising of seismic data using convolutional neural networks,” arXiv: 1901.07927 [cs.NE], 1-13, Jan. 2019. (需要使用大型数据集进行训练)

迁移学习

Zhang, H., X. Yang, and J. Ma, 2020, Can learning from natural image denoising be used for seismic data interpolation? Geophysics, 85, no. 4, WA115–WA136, doi: 10.1190/geo2019-0243.1. (将训练有素的 CNN 降噪器集成到凸集投影 (POCS))

~~未完待续

地震数据插值之深度学习方法相关推荐

汇总|基于3D点云的深度学习方法
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达本文转自|计算机视觉工坊前言三维数据通常可以用不同的格式表示,包 ...
基于深度学习方法的3D数据合成
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 3D 数据简介人们普遍认为,从单一角度合成 3D 数据是人类视觉的基本功能.但这对计算机视觉算法来说 ...
3D目标检测深度学习方法数据预处理综述
作者 | 蒋天元来源 | 3D视觉工坊(ID: QYong_2014) 这一篇的内容主要要讲一点在深度学习的3D目标检测网络中,我们都采用了哪些数据预处理的方法,主要讲两个方面的知识,第一个是rep ...
深度学习数据驱动_3D目标检测深度学习方法数据预处理综述
作者 | 蒋天元来源 | 3D视觉工坊(ID: QYong_2014) 这一篇的内容主要要讲一点在深度学习的3D目标检测网络中,我们都采用了哪些数据预处理的方法,主要讲两个方面的知识,第一个是rep ...
在鱼眼和全向视图图像的深度学习方法
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达作者:黄浴 https://zhuanlan.zhihu.com/p/88675419 本文仅做学术分 ...
语义分割中的深度学习方法全解：从FCN、SegNet到各版本DeepLab
语义分割中的深度学习方法全解:从FCN.SegNet到各版本DeepLab 原文:https://www.sohu.com/a/155907339_610300 图像语义分割就是机器自动从图像中分割出 ...
论文阅读笔记(六)——基于改进深度学习方法的股骨x线骨折自动检测与定位
Automatic detection and localization of thighbone fractures in X-ray based on improved deep learning ...
【CV】用于图像恢复的深度学习方法综述论文（2022年）
论文名称:A survey of deep learning approaches to image restoration 论文下载:https://www.sciencedirect.com/sc ...
超实用总结：AI实践者需要用到的10个深度学习方法
大数据文摘作品编译:小鱼.肖依月.高宁.Aileen 在过去十年里,大众对机器学习的兴趣与日俱增.几乎每天都可以在计算机科学程序.行业会议和华尔街日报上看到机器学习的身影.在所有关于机器学习的讨论中 ...
传统CV和深度学习方法的比较
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达本文转自:新机器视觉摘要: 深度学习推动了数字图像处理领域的极限 ...

地震数据插值之深度学习方法

地震数据插值之深度学习方法相关推荐

最新文章

热门文章