CN112130200A - 一种基于grad-CAM注意力引导的断层识别方法 - Google Patents
一种基于grad-CAM注意力引导的断层识别方法 Download PDFInfo
- Publication number
- CN112130200A CN112130200A CN202011005843.2A CN202011005843A CN112130200A CN 112130200 A CN112130200 A CN 112130200A CN 202011005843 A CN202011005843 A CN 202011005843A CN 112130200 A CN112130200 A CN 112130200A
- Authority
- CN
- China
- Prior art keywords
- attention
- neural network
- fault
- cam
- grad
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 35
- 238000010586 diagram Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 238000011176 pooling Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 abstract description 25
- 238000013528 artificial neural network Methods 0.000 abstract description 17
- 238000013135 deep learning Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 description 7
- 230000004913 activation Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000001427 coherent effect Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/282—Application of seismic models, synthetic seismograms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6161—Seismic or acoustic, e.g. land or sea measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
- G01V2210/624—Reservoir parameters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于grad‑CAM注意力引导的断层识别方法,包括以下步骤:S1、通过grad‑CAM获得卷积神经网络的注意力图;S2、向卷积神经网络的目标函数中添加注意力图和地学专家标记的注意力图的交叉熵损失函数,得到新的卷积神经网络目标函数;S3、利用步骤S2得到的目标函数训练断层识别模型。本发明在典型的深度学习框架基础上,引入注意力引导机制,可以有效的增加网络对于断层及其邻域像素的关注,能够实现对神经网络做出断层分类判断的有效引导,能够有效改善断层识别结果发生断裂的情况,得到了连续性更好的识别结果。
Description
技术领域
本发明属于地震数据识别技术领域,特别涉及一种基于grad-CAM注意力引导的断层识别方法。
背景技术
地震数据解释是油气勘探工作的重要一步,而对断层的识别是地震数据解释的重要组成部分。断层是地壳受力发生断裂,沿断裂面两侧岩块发生的显著相对位移的构造。断层破坏了岩层的连续性。断层的性质、破碎和紧结程度,以及断层面两侧岩性组合间的接触关系等,对油气运移、聚集和破坏都有密切关系。同一断层,在深部和浅部所起的作用不同;在历史发展过程中,在不同时期内,也可能起着封闭或破坏两种相反的作用。由于断层对油气的运动和聚集所起到重要的控制作用,因此对于断层的识别具有很高的实用价值。
断层识别是地震数据解释中最重要的任务之一,因为断层对油气的运动和聚集所起到重要的控制作用。由于地学数据非常庞大,自动化解释断层的方法是业界一直在研究的。断层作为地震属性的一种,常见属性有相干体,方差体,混沌体等。相对来说,使用推广率高,识别效果好,算法稳定成熟的是相干体属性,它主要是用相邻道之间的振幅不连续性来突出断层。相干体的实现思想是估计主测线和联络测线方向上的波形相似性。通常来说,相干体的相干特征会在断层切割的地震道波形之间体现出相干性的差异,尤其是走向平行于地层的断层在相干属性中体现的更为明显。
目前,对于断层的解释方法主要有:(1)基于地震属性方法的断层识别;(2)基于图像分析的断层识别;(3)基于深度学***面延伸一般较远,其走向一般与构造走向平行或斜交。小断层多是断层裂缝,断裂方向不确定,平面横向延伸不远。评判断层识别的效果除了考察断层分布与形态是否符合地质规律之外,还要重点从断层的细节部分,如断层边缘是否有大量毛刺,切片背景的抗噪性以及断层延展方向上的连续性等几个角度去考量。
深度学习在计算机视觉、自然语言处理等领域得到了很多成功的应用。深度学习技术的发展结合地震数据本身体量巨大的特点,这为断层识别提供了新的方法。深度学习方法的优势在于神经网络模型具有产生高阶函数来拟合模型的能力。神经网络在有监督地训练下能够自动提取断层特征,摆脱了人为手动选取断层特征的麻烦,极大程度地减低了断层识别整个流程的复杂程度。另一个方面,一个良好的深度学习模型应该具备不错的泛化能力,当该神经网络模型学习到了大量地震数据背后的断层形态特征和断层分布规律,即便输入是其他工区的地震数据也能给出不错的断层识别效果,深度神经网络模型在地震解释邻域有优异的效果,蕴含无穷的潜力。但是深度学习这一端到端的“黑盒”模型,存在大量参数,人们很难理解其中的隐藏层、神经元、激活函数等关键部分会对最终的学习结果有什么样的影响。当前利用深度学习识别断层的方法,在预测部分断层样本时可能会产生明显的断裂。神经网络做出断层分类的关键像素可能会存在一些偏差,与人类的客观认识不符。
发明内容
本发明的目的在于克服现有技术的不足,提供一种在典型的深度学习框架基础上,引入注意力引导机制,可以有效的增加网络对于断层及其邻域像素的关注,能够实现对神经网络做出断层分类判断的有效引导,能够有效改善断层识别结果发生断裂的情况,得到了连续性更好的识别结果的基于grad-CAM注意力引导的断层识别方法。
本发明的目的是通过以下技术方案来实现的:一种基于grad-CAM注意力引导的断层识别方法,包括以下步骤:
S1、使用标记了断层的地震数据作为标签,未标记断层的地震数据作为训练集,输入卷积神经网络进行训练;
S2、通过grad-CAM获得卷积神经网络的注意力图;
S3、向卷积神经网络的目标函数中添加注意力图和地学专家标记的注意力图的交叉熵损失函数,得到新的卷积神经网络目标函数;
S4、利用步骤S3得到的目标函数训练断层识别模型。
进一步地,所述卷积神经网络依次包括两个卷积层、一个池化层、两个卷积层、一个池化层、三个卷积层和两个全连接层。
其中Z表示第k张特征图中像素个数;Sc表示第c类的分类得分;
通过下式计算注意力图:
n表示特征图的总数量。
进一步地,所述注意力图和地学专家标记的注意力图的交叉熵损失函数为:
得到新的目标函数为:
本发明的有益效果是:本发明在典型的深度学习框架基础上,引入注意力引导机制,可以有效的增加网络对于断层及其邻域像素的关注,能够实现对神经网络做出断层分类判断的有效引导,能够有效改善断层识别结果发生断裂的情况,得到了连续性更好的识别结果。本发明提出的基于grad-CAM注意力引导的断层识别方法引入了地质专家对断层识别的重要经验,实现了对卷积神经网络识别断层的解释,有效的引导了神经网络对关键区域的关注,最终得到连续性更佳的断层识别结果,为后续工作奠定了基础。
附图说明
图1为本发明的基于grad-CAM注意力引导的断层识别方法的流程图;
图2为本发明的卷积神经网络的结构示意图;
图3为401*101二维地震数据图像;
图4为利用传统卷积网络对401*101二维地震数据识别结果图;
图5为地震识别图像与其注意力图;
图6为分别取β=10和β=100时,利用本发明的方法对二维图像识别的结果图;
图7为利用本发明的方法对包含断层的401*401*101的三维地震数据进行识别的结果图。
具体实施方式
与本发明相关的现有技术
(1)卷积神经网络(CNN)
卷积神经网络是一种被用来处理具有类似网格结构的数据的神经网络。例如时间序列数据(可以认为是在时间轴上有规律地采样形成的一维网格,如文字语音)和图像数据(可以看作是二维的像素网格)。卷积网络在计算机视觉,自然语言处理等诸多应用领域都表现优异。卷积神经网络使用了卷积(convolution)这种数学运算。卷积是一种特殊的线性运算。卷积网络是指在网络中至少有一层使用卷积运算来替代一般的矩阵乘法运算的神经网络。卷积网络中通常也包含有池化层。
在二维的图像数据中,卷积运算的具体步骤如下:
利用卷积核在图像左上角上开始滑动,将图像上的像素灰度值与卷积核上对应的数值相乘,然后把所有相乘后的值相加作为卷积结果对应的图像上像素的灰度值,并滑动完所有像素求得最后的结果。
图像池化运算的具体步骤如下:
和卷积操作类似,从图像的左上角上开始滑动,在规定大小的窗口内,根据不同类型的池化(如最大值,均值)得到一个值,作为池化结果图像对应位置上的灰度值,滑动窗口处理完所有像素求得最后的结果。
(2)类激活映射CAM
类激活映射CAM能够定位出在图像中卷积神经网络对其分类起到重要作用的区域。类激活映射生成热力图叠加到原始图像中,可以看出对图像分类起到重要作用的部分。CAM算法主要用到了NIN中提出的Global Average Pooling(GAP)层。在卷积神经网络的中,卷积层池化层之后总是要连接一个或n个全连接层,最后再通过分类器并用softmax分类。卷积神经网络的特征就是全连接层的参数超多,使模型本身变得非常庞大。GAP层将最后一层卷积层的所有特征图进行整张图的均值池化,每张特征图形成一个特征值,将这些特征值组成最后的特征向量,这样极大的减少了网络的参数,且能直接赋予每一个特征图实际的类别意义。CAM是在分类GAP的基础上实现的,GAP层的输出连接一个全连接层实现分类,通过将某一类全连接分类器的每一个的权值与所对应的原特征图相乘并相加得到CAM的结果。直观的看,平均特征值较大的特征图对得到相应的分类结果的作用也大。
设一个卷积神经网络最后一层有n张特征图,记为A1,A2,…An,在分类层中一个神经元有n个权重,每一个神经元对应一类,设第i个神经元的权重为w1 i,w2 i,…wn i,则第c类的CAM(记为Mc)为:
接下来分析为什么计算的CAM可以得出类别相关区域。沿用上述符号,记fi(x,y)表示第i张特征图在位置(x,y)的像素值,则该特征图的GAP输出为:
其中Z表示特征图像素个数。第c类的分类得分:
可以看到,分类c的得分与其CAM的所有像素之和相等,由此可见,CAM图Mc中像素值越大的点(x,y),对分类的结果影响越大。
(3)grad-CAM
CAM生成的注意力图对神经网络的解释效果很好,但是它要求修改原模型的结构,已有的模型想要使用CAM还需要重新训练该模型,这大大限制了它的使用场景。如果模型已经上线或训练的成本非常高,CAM算法的局限性就非常的大。于是有人提出了grad-CAM,解决了这个问题。
grad-CAM和CAM的基本思路一致,也需要得到每张特征图对某一分类对应的权重,最后求得加权和。grad-CAM与CAM的主要区别在于求权重wi c的过程。CAM通过将全连接层替换为GAP层,重新训练得到权重,而grad-CAM另辟蹊径,用梯度的全局平均来计算权重。事实上,经过严格的数学推导,grad-CAM与CAM计算出来的权重是等价的。定义grad-CAM中第k张特征图对类别c的权重为可通过下面的公式计算:
得到每张特征图对应的权值过后,由式(1)即可计算注意力图。
Grad-CAM是对CAM的一般化,下面做简要证明。
假设最后的卷积层输出的第K张特征图为Ak,Aij k表示特征图的(i,j)位置。CAM需要计算GAP值:
CAM由以下公式计算最后的分类分数:
求出分类得分对特征图的梯度:
(9)两侧对所有像素求和:
本发明提出了一种基于grad-CAM注意力引导的卷积神经网络断层识别方法。该方法采用grad-CAM方法深沉深度神经网络的类激活图,可以对得到的分类结果依据做出解释。接下来组合地质专家标记的正则项,加上神经网络原有的损失函数来作为卷积神经网络的目标函数,克服了由于地质数据中所有像素在卷积神经网络起到均等作用,造成断层识别结果断裂的问题,提高了断层识别结果的连续性。下面结合附图和具体实施例进一步说明本发明的技术方案。
如图1所示,本发明的一种基于grad-CAM注意力引导的断层识别方法,包括以下步骤:
S1、使用标记了断层的地震数据作为标签,未标记断层的地震数据作为训练集,输入卷积神经网络进行训练;
S2、通过grad-CAM获得卷积神经网络的注意力图;
本发明基于一个结构较简单的卷积神经网络,该卷积网络从输入开始,依次包括两个卷积层、一个池化层、两个卷积层、一个池化层、三个卷积层和两个全连接层,如图2所示。本实施例用卷积神经网络对图3所示的401*101二维地震数据进行识别,得到的识别结果如图4所示。
对于断层,我们人工识别断层时通常认为在断层两侧错开的地质体表面起到了引导作用,然而神经网络的识别可能存在偏差。如图5所示,图5(a)中心点被判定为断层,由该点的类别识别为断层导出的注意力图为(b),可以看到对该点被判定为断层起到较大作用的位置位于该点的左上方,与我们的直观理解不符,说明神经网络训练得到的模型也存在一定的局限性。因此,本发明将地质专家的断层标签与Grad-CAM注意力图结合,提出了引导神经网络注意力的方法,将神经网络的常规目标函数修改,添加交叉熵损失函数使神经网络在训练的过程中对于断层周边的区域更加关注。
其中Z表示第k张特征图中像素个数;Sc表示第c类的分类得分;
通过下式计算注意力图:
n表示特征图的总数量。
S3、向卷积神经网络的目标函数中添加注意力图和地学专家标记的注意力图的交叉熵损失函数,得到新的卷积神经网络目标函数;
所述注意力图和地学专家标记的注意力图的交叉熵损失函数为:
得到新的目标函数为:
S4、利用步骤S3得到的目标函数训练断层识别模型。
图6(a)、(b)分别取β=10和β=100时,利用本发明的方法得到的识别结果。从图中可以看出,图5(a)的断层的注意力图集中于图6断层分类点附近。调高参数β,所得效果更好,与我们对断层识别结果应当关注读取区域的主观认识相符合。
图7为利用本发明的方法对包含断层的401*401*101的三维地震数据进行识别的结果图。图中(a)为地震数据断层;(b)为无注意力引导时的断层识别结果;(c)为利用本发明的方法当β=10时的断层识别结果。从图中可以看出,在使用无注意力引导的神经网络进行断层识别时,部分断层识别结果发生断裂,在加入了注意力引导机制后,断裂的情况得到改善,识别结果的连续性有很好的提升。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (4)
1.一种基于grad-CAM注意力引导的断层识别方法,其特征在于,包括以下步骤:
S1、使用标记了断层的地震数据作为标签,未标记断层的地震数据作为训练集,输入卷积神经网络进行训练;
S2、通过grad-CAM获得卷积神经网络的注意力图;
S3、向卷积神经网络的目标函数中添加注意力图和地学专家标记的注意力图的交叉熵损失函数,得到新的卷积神经网络目标函数;
S4、利用步骤S3得到的目标函数训练断层识别模型。
2.根据权利要求1所述的一种基于grad-CAM注意力引导的断层识别方法,其特征在于,所述卷积神经网络依次包括两个卷积层、一个池化层、两个卷积层、一个池化层、三个卷积层和两个全连接层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011005843.2A CN112130200B (zh) | 2020-09-23 | 2020-09-23 | 一种基于grad-CAM注意力引导的断层识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011005843.2A CN112130200B (zh) | 2020-09-23 | 2020-09-23 | 一种基于grad-CAM注意力引导的断层识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112130200A true CN112130200A (zh) | 2020-12-25 |
CN112130200B CN112130200B (zh) | 2021-07-20 |
Family
ID=73842538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011005843.2A Active CN112130200B (zh) | 2020-09-23 | 2020-09-23 | 一种基于grad-CAM注意力引导的断层识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112130200B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613574A (zh) * | 2020-12-30 | 2021-04-06 | 清华大学 | 一种图像分类模型的训练方法、图像分类方法和装置 |
CN112700434A (zh) * | 2021-01-12 | 2021-04-23 | 苏州斯玛维科技有限公司 | 医学图像的分类方法及其分类装置 |
CN112734739A (zh) * | 2021-01-18 | 2021-04-30 | 福州大学 | 一种基于注意力机制与ResNet融合的建筑裂缝可视化识别方法 |
CN112749667A (zh) * | 2021-01-15 | 2021-05-04 | 中国科学院宁波材料技术与工程研究所 | 一种基于深度学习的线虫分类识别方法 |
CN113156513A (zh) * | 2021-04-14 | 2021-07-23 | 吉林大学 | 一种基于注意力引导的卷积神经网络地震信号去噪方法 |
CN113298084A (zh) * | 2021-04-01 | 2021-08-24 | 山东师范大学 | 用于语义分割的特征图提取方法及*** |
CN113688901A (zh) * | 2021-08-23 | 2021-11-23 | 西南石油大学 | 一种基于膨胀卷积神经网络的储层不连续界线识别方法 |
CN116660982A (zh) * | 2023-08-02 | 2023-08-29 | 东北石油大学三亚海洋油气研究院 | 一种基于注意力卷积神经网络的全波形反演方法 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166163A (zh) * | 2014-08-27 | 2014-11-26 | 电子科技大学 | 基于三维大数据量地震数据体的断层曲面自动提取方法 |
CN107356968A (zh) * | 2017-08-25 | 2017-11-17 | 四川易诚智讯科技有限公司 | 基于crease的三维水平集断层曲面自动提取方法 |
CN107621655A (zh) * | 2017-08-29 | 2018-01-23 | 电子科技大学 | 基于DoS滤波的三维数据断层增强方法 |
CN109086773A (zh) * | 2018-08-29 | 2018-12-25 | 电子科技大学 | 基于全卷积神经网络的断层面识别方法 |
CN109271898A (zh) * | 2018-08-31 | 2019-01-25 | 电子科技大学 | 基于优化卷积神经网络的溶洞体识别算法 |
CN109709603A (zh) * | 2018-11-23 | 2019-05-03 | 中国石油天然气股份有限公司 | 地震层位识别与追踪方法、*** |
CN110441820A (zh) * | 2019-08-21 | 2019-11-12 | 中国矿业大学(北京) | 地质构造的智能解释方法 |
KR20190128292A (ko) * | 2018-05-08 | 2019-11-18 | 서울대학교산학협력단 | 녹내장 조기진단과 의심영역 표시 방법 및 이를 위한 시스템 |
CN110516740A (zh) * | 2019-08-28 | 2019-11-29 | 电子科技大学 | 一种基于Unet++卷积神经网络的断层识别方法 |
CN110579354A (zh) * | 2019-10-16 | 2019-12-17 | 西安交通大学 | 一种基于卷积神经网络的轴承检测方法 |
CN110728183A (zh) * | 2019-09-09 | 2020-01-24 | 天津大学 | 一种基于注意力机制的神经网络的人体动作识别方法 |
CN110737021A (zh) * | 2019-11-06 | 2020-01-31 | 中国矿业大学(北京) | 断层识别的方法及其模型训练方法、装置 |
EP3627391A1 (en) * | 2018-09-24 | 2020-03-25 | Siemens Aktiengesellschaft | Deep neural net for localising objects in images, methods for preparing such a neural net and for localising objects in images, corresponding computer program product, and corresponding computer-readable medium |
CN111046962A (zh) * | 2019-12-16 | 2020-04-21 | 中国人民解放军战略支援部队信息工程大学 | 基于稀疏注意力的卷积神经网络模型的特征可视化方法及*** |
CN111046939A (zh) * | 2019-12-06 | 2020-04-21 | 中国人民解放军战略支援部队信息工程大学 | 基于注意力的cnn类别激活图生成方法 |
US20200183031A1 (en) * | 2018-12-11 | 2020-06-11 | Exxonmobil Upstream Research Company | Automated seismic interpretation-guided inversion |
US20200258223A1 (en) * | 2018-05-14 | 2020-08-13 | Tempus Labs, Inc. | Determining biomarkers from histopathology slide images |
CN111562612A (zh) * | 2020-05-20 | 2020-08-21 | 大连理工大学 | 一种基于注意力机制的深度学习微震事件识别方法及*** |
CN111580161A (zh) * | 2020-05-21 | 2020-08-25 | 长江大学 | 基于多尺度卷积自编码神经网络的地震随机噪音压制方法 |
-
2020
- 2020-09-23 CN CN202011005843.2A patent/CN112130200B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166163A (zh) * | 2014-08-27 | 2014-11-26 | 电子科技大学 | 基于三维大数据量地震数据体的断层曲面自动提取方法 |
CN107356968A (zh) * | 2017-08-25 | 2017-11-17 | 四川易诚智讯科技有限公司 | 基于crease的三维水平集断层曲面自动提取方法 |
CN107621655A (zh) * | 2017-08-29 | 2018-01-23 | 电子科技大学 | 基于DoS滤波的三维数据断层增强方法 |
KR20190128292A (ko) * | 2018-05-08 | 2019-11-18 | 서울대학교산학협력단 | 녹내장 조기진단과 의심영역 표시 방법 및 이를 위한 시스템 |
US20200258223A1 (en) * | 2018-05-14 | 2020-08-13 | Tempus Labs, Inc. | Determining biomarkers from histopathology slide images |
CN109086773A (zh) * | 2018-08-29 | 2018-12-25 | 电子科技大学 | 基于全卷积神经网络的断层面识别方法 |
CN109271898A (zh) * | 2018-08-31 | 2019-01-25 | 电子科技大学 | 基于优化卷积神经网络的溶洞体识别算法 |
EP3627391A1 (en) * | 2018-09-24 | 2020-03-25 | Siemens Aktiengesellschaft | Deep neural net for localising objects in images, methods for preparing such a neural net and for localising objects in images, corresponding computer program product, and corresponding computer-readable medium |
CN109709603A (zh) * | 2018-11-23 | 2019-05-03 | 中国石油天然气股份有限公司 | 地震层位识别与追踪方法、*** |
US20200183031A1 (en) * | 2018-12-11 | 2020-06-11 | Exxonmobil Upstream Research Company | Automated seismic interpretation-guided inversion |
CN110441820A (zh) * | 2019-08-21 | 2019-11-12 | 中国矿业大学(北京) | 地质构造的智能解释方法 |
CN110516740A (zh) * | 2019-08-28 | 2019-11-29 | 电子科技大学 | 一种基于Unet++卷积神经网络的断层识别方法 |
CN110728183A (zh) * | 2019-09-09 | 2020-01-24 | 天津大学 | 一种基于注意力机制的神经网络的人体动作识别方法 |
CN110579354A (zh) * | 2019-10-16 | 2019-12-17 | 西安交通大学 | 一种基于卷积神经网络的轴承检测方法 |
CN110737021A (zh) * | 2019-11-06 | 2020-01-31 | 中国矿业大学(北京) | 断层识别的方法及其模型训练方法、装置 |
CN111046939A (zh) * | 2019-12-06 | 2020-04-21 | 中国人民解放军战略支援部队信息工程大学 | 基于注意力的cnn类别激活图生成方法 |
CN111046962A (zh) * | 2019-12-16 | 2020-04-21 | 中国人民解放军战略支援部队信息工程大学 | 基于稀疏注意力的卷积神经网络模型的特征可视化方法及*** |
CN111562612A (zh) * | 2020-05-20 | 2020-08-21 | 大连理工大学 | 一种基于注意力机制的深度学习微震事件识别方法及*** |
CN111580161A (zh) * | 2020-05-21 | 2020-08-25 | 长江大学 | 基于多尺度卷积自编码神经网络的地震随机噪音压制方法 |
Non-Patent Citations (5)
Title |
---|
BING ZHAO 等: ""Visualization of Railway Scene Classification Model via Grad-CAM"", 《2018 IEEE 3RD INTERNATIONAL CONFERENCE ON SIGNAL AND IMAGE PROCESSING(ICSIP)》 * |
SHAOWEI ZHENG: ""Fine-Grained Image Classification Algorithm Based on Grad-CAM and B-CNN"", 《COMPUTER SCIENCE AND APPLICATION》 * |
赵迪 等: ""基于Grad-CAM的探地雷达公路地下目标检测算法"", 《电子测量技术》 * |
车向前 等: ""利用改进组合交叉熵实现煤层气储层地震属性约简"", 《煤田地质与勘探》 * |
邓博文 等: ""基于多属性的地质目标体表面重建方法研究"", 《现代计算机》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613574A (zh) * | 2020-12-30 | 2021-04-06 | 清华大学 | 一种图像分类模型的训练方法、图像分类方法和装置 |
CN112613574B (zh) * | 2020-12-30 | 2022-07-19 | 清华大学 | 一种图像分类模型的训练方法、图像分类方法和装置 |
CN112700434A (zh) * | 2021-01-12 | 2021-04-23 | 苏州斯玛维科技有限公司 | 医学图像的分类方法及其分类装置 |
CN112700434B (zh) * | 2021-01-12 | 2024-07-19 | 广州一达健康管理有限公司 | 医学图像的分类方法及其分类装置 |
CN112749667A (zh) * | 2021-01-15 | 2021-05-04 | 中国科学院宁波材料技术与工程研究所 | 一种基于深度学习的线虫分类识别方法 |
CN112734739B (zh) * | 2021-01-18 | 2022-07-08 | 福州大学 | 一种基于注意力机制与ResNet融合的建筑裂缝可视化识别方法 |
CN112734739A (zh) * | 2021-01-18 | 2021-04-30 | 福州大学 | 一种基于注意力机制与ResNet融合的建筑裂缝可视化识别方法 |
CN113298084B (zh) * | 2021-04-01 | 2023-04-07 | 山东师范大学 | 用于语义分割的特征图提取方法及*** |
CN113298084A (zh) * | 2021-04-01 | 2021-08-24 | 山东师范大学 | 用于语义分割的特征图提取方法及*** |
CN113156513B (zh) * | 2021-04-14 | 2024-01-30 | 吉林大学 | 一种基于注意力引导的卷积神经网络地震信号去噪方法 |
CN113156513A (zh) * | 2021-04-14 | 2021-07-23 | 吉林大学 | 一种基于注意力引导的卷积神经网络地震信号去噪方法 |
CN113688901A (zh) * | 2021-08-23 | 2021-11-23 | 西南石油大学 | 一种基于膨胀卷积神经网络的储层不连续界线识别方法 |
CN113688901B (zh) * | 2021-08-23 | 2024-03-01 | 西南石油大学 | 一种基于膨胀卷积神经网络的储层不连续界线识别方法 |
CN116660982A (zh) * | 2023-08-02 | 2023-08-29 | 东北石油大学三亚海洋油气研究院 | 一种基于注意力卷积神经网络的全波形反演方法 |
CN116660982B (zh) * | 2023-08-02 | 2023-09-29 | 东北石油大学三亚海洋油气研究院 | 一种基于注意力卷积神经网络的全波形反演方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112130200B (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112130200B (zh) | 一种基于grad-CAM注意力引导的断层识别方法 | |
Liu et al. | Seismic facies classification using supervised convolutional neural networks and semisupervised generative adversarial networks | |
Arras et al. | Explaining predictions of non-linear classifiers in NLP | |
Zhu et al. | Intelligent logging lithological interpretation with convolution neural networks | |
CN107545577B (zh) | 基于神经网络的沉积相图像分割方法 | |
Bai et al. | Hyperspectral image classification based on multibranch attention transformer networks | |
CN107689052A (zh) | 基于多模型融合和结构化深度特征的视觉目标跟踪方法 | |
CN109001801B (zh) | 基于多次迭代蚁群算法的断层变尺度识别方法 | |
CN113269228B (zh) | 一种图网络分类模型的训练方法、装置、***及电子设备 | |
CN114782737A (zh) | 一种基于改进残差网络的图像分类方法、设备和存储介质 | |
CN109271546A (zh) | 图像检索特征提取模型建立、数据库建立及检索方法 | |
Dixit et al. | Texture feature based satellite image classification scheme using SVM | |
Shi et al. | Multifeature collaborative adversarial attack in multimodal remote sensing image classification | |
Verma et al. | Quantification of sand fraction from seismic attributes using Neuro-Fuzzy approach | |
Han et al. | Algorithm for Intelligent Recognition Low-Grade Seismic Faults Using Codec Target Edges | |
Jafrasteh et al. | Generative adversarial networks as a novel approach for tectonic fault and fracture extraction in high resolution satellite and airborne optical images | |
Dixit et al. | Genetic-evolutionary adaptive moment estimation-based semisupervised deep sequential convolution network for seismic impedance inversion: Application and uncertainty analysis | |
Maloney et al. | The use of probabilistic neural networks to improve solution times for hull-to-emitter correlation problems | |
CN114913378A (zh) | 一种基于综合类激活映射的图像分类可解释方法 | |
Orozco-Del-Castillo et al. | Seismic data interpretation using the Hough transform and principal component analysis | |
US20220188647A1 (en) | Model learning apparatus, data analysis apparatus, model learning method and program | |
Amin et al. | Feature selection using multivariate adaptive regression splines in telecommunication fraud detection | |
Singh et al. | Choquet fuzzy integral based verification of handwritten signatures | |
Xu et al. | UCDFormer: Unsupervised change detection using real-time transformers | |
Shi et al. | Permeability estimation of rock reservoir based on pca and elman neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |