CN113592000A - 基于卷积对抗神经网络的裂缝识别技术 - Google Patents
基于卷积对抗神经网络的裂缝识别技术 Download PDFInfo
- Publication number
- CN113592000A CN113592000A CN202110887786.3A CN202110887786A CN113592000A CN 113592000 A CN113592000 A CN 113592000A CN 202110887786 A CN202110887786 A CN 202110887786A CN 113592000 A CN113592000 A CN 113592000A
- Authority
- CN
- China
- Prior art keywords
- generator
- discriminator
- crack
- fracture
- neural network
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 238000005516 engineering process Methods 0.000 title claims abstract description 14
- 230000003042 antagnostic effect Effects 0.000 title claims description 5
- 238000000034 method Methods 0.000 claims abstract description 10
- 239000002994 raw material Substances 0.000 claims abstract description 7
- 238000010586 diagram Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims 1
- 238000012549 training Methods 0.000 abstract description 7
- 208000010392 Bone Fractures Diseases 0.000 description 14
- 206010017076 Fracture Diseases 0.000 description 14
- 239000011159 matrix material Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及勘探地球物理技术领域,具体涉及基于卷积对抗神经网络的裂缝识别技术;包括以下步骤:S1、准备数据,收集叠后地震数据以及对应的裂缝标签图,S2、构建网络,定义生成器和判别器,以及计算的损失函数,S3、将叠后地震数据作为生成器的原材料,生成对应的裂缝特征图,进入判别器与真实对应标签进行比对,S4、提取建立好的网络中的生成器,S5、输入不同的叠后地震数据,通过生成器实现对应的裂缝展布预测和样本扩充;本发明引入了卷积对抗神经网络,卷积对抗神经网络能够自动生成数据来扩充数据集,包含了生成器和判别器,通过博弈的方式进行训练,训练好的生成器可以用于裂缝预测,也可以实现样本扩充。
Description
技术领域
本发明涉及勘探地球物理技术领域,具体涉及基于卷积对抗神经网络的裂缝识别技术。
背景技术
在勘探地球物理领域中,准确的裂缝预测一直是研究的难点和重点,随着人工智能时代的到来,很多问题都迎刃而解。但是这些问题都建立在有充足的样本信息特征上,而勘探地震中,虽然数据量很大,但是样本参数都很少,比如500km2的研究工区中,有且只有一两口已钻探井位,对地下情况实际资料甚少。而目前大多数裂缝预测技术都是从已知推未知,通过已知裂缝发育情况,再对数据进行处理,通过曲率,方位反演,相干等属性来确定裂缝发育情况,但是往往会因为信号中存在的误差造成准确性降低。
综上所述,研发基于卷积对抗神经网络的裂缝识别技术,仍是勘探地球物理技术领域中急需解决的关键问题。
发明内容
针对现有技术所存在的上述缺点,本发明的目的在于提供基于卷积对抗神经网络的裂缝识别技术,本发明引入了卷积对抗神经网络,卷积对抗神经网络能够自动生成数据来扩充数据集,包含了生成器和判别器,通过博弈的方式进行训练,训练好的生成器可以用于裂缝预测,也可以实现样本扩充。
为实现上述目的,本发明提供了如下技术方案:
基于卷积对抗神经网络的裂缝识别技术,包括以下步骤:
S1、准备数据,收集叠后地震数据以及对应的裂缝标签图。
S2、构建网络,定义生成器和判别器,以及计算的损失函数。
S3、将叠后地震数据作为生成器的原材料,生成对应的裂缝特征图,进入判别器与真实对应标签进行比对。
S4、提取建立好的网络中的生成器。
S5、输入不同的叠后地震数据,通过生成器实现对应的裂缝展布预测和样本扩充。
本发明进一步设置为:在所述步骤S2中,所述构建网络包括定义GAN网络的目标、定义生成器的输入和输出、定义判别器的输入和输出以及定义生成器和判别器的网络架构。
本发明进一步设置为:所述定义GAN网络的目标是指叠后地震数据作为生成器原材料,生成对应的裂缝展布形态。
本发明进一步设置为:所述定义生成器的输入和输出是指生成器的输入为叠后地震数据,生成器的输出为生成的裂缝展布信息。
本发明进一步设置为:所述定义判别器的输入和输出是指判别器判断一个输入的结果是真实的结果还是假的结果,判别器的输入为真实的裂缝展布和假的裂缝展布,判别器的输出为输出的裂缝展布是真实裂缝展布的概率。
本发明进一步设置为:所述定义生成器和判别器的网络架构是指输入为一个地震数据z,输出为生成的裂缝展布。
本发明进一步设置为:在所述步骤S2中,所述损失函数的公式为:loss=minGmaxDV(D,G)=Ex-Pdata(x)[logD(x)]+Ez-Pz(z)[log(1-D(G(Z)))],其中,D(x)表示x是裂缝展布形态概率,D(x)∈[0,1],x-Pdata(x)表示x是真实的裂缝展布数据,z-Pz(z)表示z是叠后地震数据,G(z)表示将叠后数据输入生成器后生成的裂缝展布图。
本发明进一步设置为:在所述步骤S3中,进行对比时,判别为假返回生成器,修改生成器,再进行生成循环,不断的修改判别器和生成器,直到最后生成与实际标签数据对应的数据为止。
有益效果
采用本发明提供的技术方案,与已知的公有技术相比,具有如下有益效果:
(1)、本发明通过博弈的方式实现裂缝预测,大大提高了裂缝预测的准确性。
(2)、本发明通过博弈的方式对生成器不断的提升,并且以叠后地震数据作为输入,而不是随机变量,提高了算法的可靠性。
(3)、本发明训练好的生成器能够直接的生成对应的裂缝展布信息,提升解释效率,扩充样本数量。
附图说明
图1为基于卷积对抗神经网络的裂缝识别技术的流程图;
图2为基于卷积对抗神经网络的裂缝识别技术中生成器的网络结构图;
图3为基于卷积对抗神经网络的裂缝识别技术的实际算例图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合实施例对本发明作进一步的描述。
实施例1
请参照图1所示,基于卷积对抗神经网络的裂缝识别技术,包括以下步骤:
步骤一、准备数据,收集叠后地震数据以及对应的裂缝标签图。
步骤二、构建网络,定义生成器和判别器,以及计算的损失函数。
所述构建网络包括定义GAN网络的目标、定义生成器的输入和输出、定义判别器的输入和输出以及定义生成器和判别器的网络架构。
定义GAN网络的目标是指叠后地震数据作为生成器原材料,生成对应的裂缝展布形态。
定义生成器的输入和输出是指生成器的输入为叠后地震数据,生成器的输出为生成的裂缝展布信息。
定义判别器的输入和输出是指判别器判断一个输入的结果是真实的结果还是假的结果,判别器的输入为真实的裂缝展布和假的裂缝展布,判别器的输出为输出的裂缝展布是真实裂缝展布的概率。
定义生成器和判别器的网络架构是指输入为一个地震数据z,输出为生成的裂缝展布。
生成器的网络结构如图2所示,从左到右分别是输入和输出。输入为一个地震数据z,输出为生成的裂缝展布。
地震数据z首先进行全连接映射到一个比较长的向量,然后进行reshape操作生成大小为4×4通道数木为1024的三维矩阵,此时这个矩阵就可以当做某个卷积层的输出。之后对这个矩阵进行反卷积操作,逐渐倍增矩阵的长和宽,同时通道数目逐渐减少,到最后的裂缝展布信息。
模型结构:
1)、pooling层使用convolutional层替代;
判别器上使用stride convolution;
生成器上使用fractional-stride convolutional(反卷积)。
2)、生成器和判别器都使用batch-normalization;
帮助解决初始化差的问题。
可以使梯度传播到每一层
(BN不应用于输入和输出层)。
3)、移除全连接层,使用global-pooling。
4)、生成器上除了输出层使用tanh之外,其余均使用
Relu。
5)、判别器上使用LeakyRelu。
损失函数的公式为:
loss=minGmaxDV(D,G)=Ex-Pdata(x)[logD(x)]+Ez-Pz(z)[log(1-D(G(Z)))],其中,D(x)表示x是裂缝展布形态概率,D(x)∈[0,1],x-Pdata(x)表示x是真实的裂缝展布数据,z-Pz(z)表示z是叠后地震数据,G(z)表示将叠后数据输入生成器后生成的裂缝展布图。
分析训练的过程:
对于判别器来说:目标是使得损失函数增大,训练判别器的时候生成器的参数不变。观察第一项:Ex-Pdata(x)[logD(x)],要想使这一项最大,则要使log D(X)变大,由于log是递增函数,则只要使D(X)变大即可,即让D(X)为1,当数据是真实图像的时候,判别器要尽量判别它为真,也就是100%为真,D(x)输出的值为1。观察第二项:Ez-Pz(z)[log(1-D(G(Z)))],易得当D(G(Z))=0的时候可以使第二项最大,当图像为一个随机向量z经过生成器G产生的生成图像G(z)的时候,判别器D要能够认定其为假结果。
对于生成器来说:目标是使得损失函数减小,训练生成器的时候判别器的参数不变化,第一项不包含生成器,所以不变化,观察第二项:Ez-Pz(z)[log(1-D(G(Z)))],要想使得这一项达到最小,则需要使得D(G(z))=1即可,由于D不会变化,所以,只能使得随机向量经过生成网络G生成的图像G(z)越来越像真实的裂缝展布,使得当前判别器认为它就是一个真实的结果。
最终的效果就是判别器和生成器相互提升,判别器认证真假的能力和生成器生成裂缝裂缝特征的真实性都越来越高,得到一个可以生成裂缝预测的生成器。
步骤三、将叠后地震数据作为生成器的原材料,生成对应的裂缝特征图,进入判别器与真实对应标签进行比对。
进行对比时,判别为假返回生成器,修改生成器,再进行生成循环,不断的修改判别器和生成器,直到最后生成与实际标签数据对应的数据为止。
步骤四、提取建立好的网络中的生成器。
步骤五、输入不同的叠后地震数据,通过生成器实现对应的裂缝展布预测和样本扩充。
利用网络训练,参照图3所示,a)为原始地震叠后剖面,以及拾取的训练方块图,b)为通过训练好的网络生成器,生成的裂缝展布结果图。
本发明通过博弈的方式实现裂缝预测,大大提高了裂缝预测的准确性,通过博弈的方式对生成器不断的提升,并且以叠后地震数据作为输入,而不是随机变量,提高了算法的可靠性,训练好的生成器能够直接的生成对应的裂缝展布信息,提升解释效率,扩充样本数量。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.基于卷积对抗神经网络的裂缝识别技术,其特征在于,包括以下步骤:
S1、准备数据,收集叠后地震数据以及对应的裂缝标签图;
S2、构建网络,定义生成器和判别器,以及计算的损失函数;
S3、将叠后地震数据作为生成器的原材料,生成对应的裂缝特征图,进入判别器与真实对应标签进行比对;
S4、提取建立好的网络中的生成器;
S5、输入不同的叠后地震数据,通过生成器实现对应的裂缝展布预测和样本扩充。
2.根据权利要求1所述的基于卷积对抗神经网络的裂缝识别技术,其特征在于,在所述步骤S2中,所述构建网络包括定义GAN网络的目标、定义生成器的输入和输出、定义判别器的输入和输出以及定义生成器和判别器的网络架构。
3.根据权利要求2所述的基于卷积对抗神经网络的裂缝识别技术,其特征在于,所述定义GAN网络的目标是指叠后地震数据作为生成器原材料,生成对应的裂缝展布形态。
4.根据权利要求2所述的基于卷积对抗神经网络的裂缝识别技术,其特征在于,所述定义生成器的输入和输出是指生成器的输入为叠后地震数据,生成器的输出为生成的裂缝展布信息。
5.根据权利要求2所述的基于卷积对抗神经网络的裂缝识别技术,其特征在于,所述定义判别器的输入和输出是指判别器判断一个输入的结果是真实的结果还是假的结果,判别器的输入为真实的裂缝展布和假的裂缝展布,判别器的输出为输出的裂缝展布是真实裂缝展布的概率。
6.根据权利要求2所述的基于卷积对抗神经网络的裂缝识别技术,其特征在于,所述定义生成器和判别器的网络架构是指输入为一个地震数据z,输出为生成的裂缝展布。
7.根据权利要求1所述的基于卷积对抗神经网络的裂缝识别技术,其特征在于,在所述步骤S2中,所述损失函数的公式为:loss=minGmaxDV(D,G)=Ex-Pdata(x)[logD(x)]+Ez-Pz(z)[log(1-D(G(Z)))],其中,D(x)表示x是裂缝展布形态概率,D(x)∈[0,1],x-Pdata(x)表示x是真实的裂缝展布数据,z-Pz(z)表示z是叠后地震数据,G(z)表示将叠后数据输入生成器后生成的裂缝展布图。
8.根据权利要求1所述的基于卷积对抗神经网络的裂缝识别技术,其特征在于,在所述步骤S3中,进行对比时,判别为假返回生成器,修改生成器,再进行生成循环,不断的修改判别器和生成器,直到最后生成与实际标签数据对应的数据为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110887786.3A CN113592000A (zh) | 2021-08-03 | 2021-08-03 | 基于卷积对抗神经网络的裂缝识别技术 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110887786.3A CN113592000A (zh) | 2021-08-03 | 2021-08-03 | 基于卷积对抗神经网络的裂缝识别技术 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113592000A true CN113592000A (zh) | 2021-11-02 |
Family
ID=78254621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110887786.3A Pending CN113592000A (zh) | 2021-08-03 | 2021-08-03 | 基于卷积对抗神经网络的裂缝识别技术 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113592000A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117436350A (zh) * | 2023-12-18 | 2024-01-23 | 中国石油大学(华东) | 基于深度卷积生成对抗网络的压裂水平井压力预测方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106873033A (zh) * | 2017-03-13 | 2017-06-20 | 中国海洋石油总公司 | 一种基于神经网络的多属性地震信息融合裂缝预测的方法 |
CN108334941A (zh) * | 2018-03-06 | 2018-07-27 | 陕西师范大学 | 一种基于生成式对抗网络的桥梁裂缝图像生成模型 |
US20180336471A1 (en) * | 2017-05-19 | 2018-11-22 | Mehdi Rezagholizadeh | Semi-supervised regression with generative adversarial networks |
CN109345507A (zh) * | 2018-08-24 | 2019-02-15 | 河海大学 | 一种基于迁移学习的大坝图像裂缝检测方法 |
CN109523531A (zh) * | 2018-11-13 | 2019-03-26 | 北京博达瑞恒科技有限公司 | 基于超分辨率深度学习的断裂检测方法及*** |
CN110110745A (zh) * | 2019-03-29 | 2019-08-09 | 上海海事大学 | 基于生成对抗网络的半监督x光图像自动标注 |
CN110120038A (zh) * | 2019-05-07 | 2019-08-13 | 重庆同济同枥信息技术有限公司 | 一种基于对抗生成网络的路面裂缝缺陷检测方法 |
CN110658557A (zh) * | 2019-09-03 | 2020-01-07 | 中国地质大学(北京) | 基于生成对抗网络的地震数据面波压制方法 |
CN110907990A (zh) * | 2018-09-18 | 2020-03-24 | 中国石油化工股份有限公司 | 一种叠后地震裂缝定量预测方法及*** |
CN111711820A (zh) * | 2020-05-13 | 2020-09-25 | 哈尔滨工业大学 | 一种基于生成对抗网络的裂缝图像压缩采样方法 |
CN111856578A (zh) * | 2020-07-31 | 2020-10-30 | 电子科技大学 | 张量深度自编码网络的宽方位叠前地震反射模式分析方法 |
CN111861906A (zh) * | 2020-06-22 | 2020-10-30 | 长安大学 | 一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法 |
CN112862706A (zh) * | 2021-01-26 | 2021-05-28 | 北京邮电大学 | 路面裂缝图像预处理方法、装置、电子设备及存储介质 |
-
2021
- 2021-08-03 CN CN202110887786.3A patent/CN113592000A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106873033A (zh) * | 2017-03-13 | 2017-06-20 | 中国海洋石油总公司 | 一种基于神经网络的多属性地震信息融合裂缝预测的方法 |
US20180336471A1 (en) * | 2017-05-19 | 2018-11-22 | Mehdi Rezagholizadeh | Semi-supervised regression with generative adversarial networks |
CN108334941A (zh) * | 2018-03-06 | 2018-07-27 | 陕西师范大学 | 一种基于生成式对抗网络的桥梁裂缝图像生成模型 |
CN109345507A (zh) * | 2018-08-24 | 2019-02-15 | 河海大学 | 一种基于迁移学习的大坝图像裂缝检测方法 |
CN110907990A (zh) * | 2018-09-18 | 2020-03-24 | 中国石油化工股份有限公司 | 一种叠后地震裂缝定量预测方法及*** |
CN109523531A (zh) * | 2018-11-13 | 2019-03-26 | 北京博达瑞恒科技有限公司 | 基于超分辨率深度学习的断裂检测方法及*** |
CN110110745A (zh) * | 2019-03-29 | 2019-08-09 | 上海海事大学 | 基于生成对抗网络的半监督x光图像自动标注 |
CN110120038A (zh) * | 2019-05-07 | 2019-08-13 | 重庆同济同枥信息技术有限公司 | 一种基于对抗生成网络的路面裂缝缺陷检测方法 |
CN110658557A (zh) * | 2019-09-03 | 2020-01-07 | 中国地质大学(北京) | 基于生成对抗网络的地震数据面波压制方法 |
CN111711820A (zh) * | 2020-05-13 | 2020-09-25 | 哈尔滨工业大学 | 一种基于生成对抗网络的裂缝图像压缩采样方法 |
CN111861906A (zh) * | 2020-06-22 | 2020-10-30 | 长安大学 | 一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法 |
CN111856578A (zh) * | 2020-07-31 | 2020-10-30 | 电子科技大学 | 张量深度自编码网络的宽方位叠前地震反射模式分析方法 |
CN112862706A (zh) * | 2021-01-26 | 2021-05-28 | 北京邮电大学 | 路面裂缝图像预处理方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
SOFIA TILON等: "Post-Disaster Building Damage Detection from Earth Observation Imagery Using Unsupervised and Transferable Anomaly Detecting Generative Adversarial Networks" * |
刘江等: "基于卷积神经网络的断层预测方法" * |
尹淼: "叠前地震波形分类方法研究" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117436350A (zh) * | 2023-12-18 | 2024-01-23 | 中国石油大学(华东) | 基于深度卷积生成对抗网络的压裂水平井压力预测方法 |
CN117436350B (zh) * | 2023-12-18 | 2024-03-08 | 中国石油大学(华东) | 基于深度卷积生成对抗网络的压裂水平井压力预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112784881B (zh) | 网络异常流量检测方法、模型及*** | |
CN111199214B (zh) | 一种残差网络多光谱图像地物分类方法 | |
CN109543740B (zh) | 一种基于生成对抗网络的目标检测方法 | |
US20210026031A1 (en) | Dolomite reservoir prediction method and system based on well and seismic combination, and storage medium | |
Liu et al. | Deep classified autoencoder for lithofacies identification | |
WO2004066060A2 (en) | System and method for inferring geological classes | |
CN111126134A (zh) | 基于非指纹信号消除器的雷达辐射源深度学习识别方法 | |
Wei et al. | Characterizing rock facies using machine learning algorithm based on a convolutional neural network and data padding strategy | |
CN113420593B (zh) | 基于混合推理网络的小样本sar自动目标识别方法 | |
CN115311502A (zh) | 基于多尺度双流架构的遥感图像小样本场景分类方法 | |
CN116299665A (zh) | Lstm面波反演方法、装置及介质 | |
CN113792685A (zh) | 一种基于多尺度卷积神经网络的微地震事件检测方法 | |
CN113592000A (zh) | 基于卷积对抗神经网络的裂缝识别技术 | |
Deng | Clustering with fuzzy C-means and common challenges | |
CN115546113A (zh) | 掌子面裂隙图像与前方三维结构参数预测方法及*** | |
Li et al. | Sequence-guided protein structure determination using graph convolutional and recurrent networks | |
CN110487519B (zh) | 基于alo-inm与加权迹范数的结构损伤识别方法 | |
CN112766381A (zh) | 有限样本下属性引导的sar图像生成方法 | |
CN112528554A (zh) | 一种适于多发多源火箭试验数据的数据融合方法及*** | |
Patibandla et al. | DATA AGGREGATION BASED HYBRID DEEP LEARNING TECHNIQUE FOR IDENTIFYING THE UNCERTAINTIES AND ACCURATE OBJECT DETECTION | |
CN112199887A (zh) | 基于对抗生成网络和伪标注的半监督电阻率反演方法及*** | |
JP2804439B2 (ja) | 地震データ誤差検出方法及び装置 | |
Jun Park et al. | Realistic synthetic data generation using neural style transfer: Application to automatic fault interpretation | |
RU2718409C1 (ru) | Система восстановления трехмерной структуры образца породы | |
CN113449631A (zh) | 图像分类方法及*** |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211102 |