Chaotic Reflection Instance Segmentation in Seismic Images: COCO Format Dataset Generation and Chaotic Region Identification Using Detectron2
本文提出了一种使用 Detectron2 和通过 OpendTect 及 Label Studio 生成的 COCO 格式数据集的深度学习框架，旨在实现比 U-Net 更优越的混沌地震反射实例分割效果，并证明了 ResNet101 骨干网络能产生最高的边界框准确度。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在海洋底部，地球通过岩石和沉积物层讲述着它的故事，这些故事由反射回地表的声波所记录。地球物理学家长期以来一直研究这些地震图像，以寻找石油、天然气并了解行星在数百万年间是如何移动的。然而，这些图像通常很杂乱。虽然有些部分显示出清晰的、像书页一样的平行线，但其他区域则呈现为破碎信号构成的混乱堆积。这些“混沌反射”通常标志着大规模滑坡或不稳定地层导致岩层发生紊乱的地方。识别这些区域对于了解地质历史和定位资源至关重要，但依靠人工进行这项工作既缓慢又困难，且容易出现人为错误。几十年来，科学家们一直试图利用计算机来自动化这项工作，但数据的杂乱特性使得这成为了一个棘手的难题。
在最近的一项研究中，研究人员 Avik Roy 和 Anuja Arora 通过教计算机以新的精度识别并绘制这些混沌区域，应对了这一挑战。他们专注于北海一个被称为 F3 区块的特定区域，该区域拥有丰富的地质历史和碳氢化合物潜力。团队首先从三维数据体中提取了数百幅地震图像。利用专业软件，他们在这些图像上手动描绘了混沌区域的边界，从而创建了一套计算机可以学习的“地面真值”（ground truth）示例。随后，他们将这些图像集及其手绘地图转换为标准化格式，本质上是将地质数据翻译成现代人工智能系统能够理解的语言。
研究人员测试了一个名为 Detectron2 的强大计算机视觉框架，该框架旨在不仅发现图像中的物体，还要能分别勾勒出每一个物体。这比旧的方法有了显著提升，因为旧方法只是简单地涂抹整个区域，而无法区分不同的特征。团队尝试了不同版本的计算机“大脑”（即骨干网络），以观察哪种网络能最好地学习这些模式。他们尝试了具有不同复杂程度的模型，范围从标准设置到更深、更复杂的网络。目标是找到准确性与速度之间的平衡，确保计算机既能正确识别混沌区域，又不会在处理数据时耗费过长的时间。
结果表明，计算机确实能够学会识别这些复杂的模式。更深、更复杂的网络在绘制混沌区域的外框方面表现更好，尤其是在特征较大时。一种特定的配置在定位这些大型区域方面达到了极高的准确度，优于较简单的模型。然而，在绘制混沌区域精确的内边界时，较简单的模型表现得与复杂模型一样好，但其速度更快。事实上，简单模型处理每幅图像仅需不到一秒的时间，而最复杂的版本产生结果所需的时间却接近十倍。这一发现表明，对于这项特定的地质任务，一种更简单、更快速的方法可能是那些需要快速分析海量数据的地质学家的最实际选择。
该研究还将这种新方法与一种被称为 U-Net 的广泛使用的技术进行了对比，U-Net 一直是此类工作的标准方法。新方法被证明更为优越，因为它能够区分单幅图像中的多个独立混沌区域，而旧方法往往会将它们模糊成一个巨大的整体。通过将每个混沌区域视为一个独立的物体，新系统为地质学家提供了更清晰、更详细的地下结构图。研究人员通过展示计算机的预测随着训练的进行稳步提高，并最终达到与人工地图相当的质量，从而验证了他们的发现。他们还证明了该系统可以处理不同的置信度水平，允许用户调整计算机判定“匹配”的严格程度。
最终，这项工作证明了先进的人工智能可以被改编用于解决地球科学领域特定的、困难的问题。通过创建新的数据集并测试不同的计算机架构，研究人员表明，实现自动检测混沌地震反射具有高可靠性是可能的。该研究为地球物理学家提供了一条清晰的前行之路，提供了一种能够节省时间并提供有关地球隐藏结构更详细见解的工具。尽管这项技术仍在不断完善中，但结果表明，仅依靠人工解释这些复杂特征的时代可能即将结束，取而代之的是一种更高效、更精确的数字化方法。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。