基于瓶颈残差注意力机制U-net的肝脏肿瘤分割

医学CT图像中含有的大量噪声以及肝脏肿瘤大小不均一、位置因人而异且与相邻器官较相似的组织密度等都造成肝脏肿瘤分割困难。现有传统全卷积神经网络（FCN）方法,通过为输入CT图像中每个像素分配类别标签来实现肝脏肿瘤分割,但在分割精度上仍会出现小目标漏检或目标边界分割模糊的问题。针对这些问题,本文提出一种瓶颈残差注意力机制U-net（BRA U-net）的肝脏肿瘤分割方法,通过引入瓶颈残差模块可在非常深的网络中大幅减少计算量的同时解决梯度消失问题,此外堆叠的注意力模块可以增大有效特征的比重。本文在公共MICCAI2017肝肿瘤分割数据集上测试了该框架,戴斯相似性系数值达到0.788,高于其他对比分割网络,并利用3D-IRCADb数据集来验证该方法的一般性,结果表明本文方法分割效果良好,能够为临床诊断提供可靠依据。      

基于深度卷积神经网络的地震数据随机噪声压制

本文以提高地震数据的成像质量为目标,提出一种智能的卷积神经网络降噪框架,从带有噪声的地震数据中自适应地学习地震信号。为了加速网络训练和避免训练时出现梯度消失现象,我们在网络中加入残差学习和批标准化的方法,并采用了ReLU激活函数和Adam优化算法优化网络。此外,Marmousi和F3数据集被用来对网络进行训练和测试,经过充分训练的网络不仅能在学习中保留地震数据特征,而且能去除随机噪声。首先充分地训练网络,从中提取出随机噪声,并保留学习到的地震数据特征,之后通过重建地震数据估算测试集中的波形特征。合成记录和实际数据的处理结果显示了深度卷积神经网络在随机噪声压制任务中的潜力,并通过实验验证表明了深度卷积神经网络框架有很好的去噪效果。      

基于卷积神经网络的断层预测方法

针对传统相干体属性在预测断层时存在断层假象以及易受噪声影响等缺点,本文提出一种利用卷积神经网络进行断层预测的方法。首先构建适合实际工区断层特征的卷积神经网络模型,然后利用部分分频地震数据和人工解释出的断层标签进行网络模型训练,最后把训练好的模型应用到整个三维地震数据中进行断层预测。实际地震数据预测结果表明基于卷积神经网络断层预测结果与地震数据吻合较好,并且在断层细节刻画上要优于传统地震相干体属性方法。      

基于AR2U-Net的双相移谐波压制滤波法（英文）

双相移谐波压制滤波方法是在传统相移法滤波的基础上加以改进,能够应用于噪声、滑动扫描信号等复杂信号的一种新型谐波去除方法,但该方法在应用于实际资料时由于需要基波的时段信息和频段信息,而人工处理不仅耗费大量精力、效率低下,且精度不高。因此,本文将深度学习和谐波压制相结合,提出基于AR2U-Net的双相移谐波压制滤波方法,其中AR2U-Net神经网络是在传统U-Net神经网络中加入了注意门结构与递归残差块,使得网络在节省参数数量、简化计算复杂度的同时,提高了预测精度并强化了网络性能。本文AR2U-Net神经网络结构的输入为可控震源滑动扫描地震数据,输出为双相移法进行谐波压制所需要的基波信号的频率随时间的变化图,通过该图得到其相移曲线并使用双相移法还原基波信号。使用正演模拟构建了网络的训练集和测试集,训练过程中使用更平滑的Log-Cosh损失函数监控网络性能,并在训练集和测试集中分别与传统U-Net神经网络进行对比,验证了AR2U-Net的优良性能。将AR2U-Net与双相移法相结合应用于实际数据中,表明该方法滤除效果可以得到保证,具有一定的推广价值。     

一种基于改进的U-Net网络的初至自动拾取研究

针对传统的地震波初至拾取方法对低信噪比资料拾取精度较低、算法的鲁棒性较差,以及目前提出的基于深度学习的初至拾取方法制作训练样本耗时耗力、训练样本尺寸太大或网络结构太深导致训练和测试网络模型效率较低等缺点,本文对经典的U-Net网络结构进行了改进,将经典的U-Net网络结构中的跳跃连接改为包含多个卷积块的残差连接,减小了网络结构中融合的两个图像特征的差异,并使用自动拾取的小尺寸训练和测试样本,对本文用于初至拾取的经典U-Net网络模型和改进的U-Net网络模型分别进行了训练和测试.结果 表明,改进的U-Net网络模型的训练准确率更高,初至拾取的精度也更高,尤其对低信噪比地震道初至拾取效果较好.     

基于深度神经网络的地震强反射剥离方法

在储层预测工作中,储层弱反射信号淹没在强反射信号之中的情况非常常见,这不利于精确识别和描述储层结构.本文提出了一种基于深度神经网络的强反射剥离方法,用于辅助储层弱反射信号的检测工作.该方法在卷积模型的框架下将强反射预测问题分解为地震子波预测与强反射预测两个子优化问题,并采用AIDNN与U-Net两个深度神经网络分别求解.通过训练直接得到地震数据与强反射之间的映射关系,避免了经验性调参过程,计算速度快,适用于海量地震数据处理.模型数据和实际资料试算结果表明,本文方法能够预测并剥离地震数据中的强反射且保真保幅性好;在该方法的基础上进行的储层砂体展布预测工作取得了良好效果.     

基于深度卷积神经网络的岩石矿物组分含量测井评价方法研究

岩石矿物组分含量是地球物理勘探开发中的重点关注对象.在岩心与地层元素测井资料较少的情况下,如何提高矿物组分含量参数的预测精度显得尤为关键.本文采用深度学习方法,利用常规测井曲线对来自于地层元素测井获得的矿物组分含量进行预测.首先基于残差网络(ResNet)框架,利用一维卷积核和池化核构建了卷积神经网络模型.模型采用自然伽马、自然电位、井径、阵列感应电阻率、三孔隙度以及光电吸收截面指数测井参数作为输入,地层元素测井获得的矿物组分含量作为输出.随后对所搭建卷积神经网络进行了训练,建立了输入与输出之间的实际映射关系.最后,利用测试数据集和真实地层资料,对所建立的卷积神经网络进行了精度检验,并与人工神经网络和多元线性回归的评价结果进行了比较.结果显示,卷积神经网络在测试数据集上的总体预测数值相关性为0.90,明显优于人工神经网络的0.68与多元线性回归的0.51.通过处理实际测井资料,进一步验证了该方法的预测优越性和鲁棒性,以及其在地层参数评价方向的良好应用前景．     

卷积神经网络在远-近地震震相拾取中的应用及模型解释

利用北京国家观象台的测震记录,探索了样本构建、训练过程、模型结构等因素对远震震相P-S和近震震相Pg-Sg拾取模型性能的影响。结果表明：适中的卷积层深度、正则化和数据清洗能够有效地改善模型性能,而残差块的影响却相对有限。与此同时,基于类模型可视化和平滑GradCAM++的模型解释显示：卷积神经网络复现了震相的关键特征,其决策敏感区域也与震相识别的经验准则一致。最后,连续波形的扫描结果展示了卷积神经网络在远-近地震震相识别的应用前景与提升空间。此外,本文针对模型搭建与训练中存在的问题提出了样本选择、模型架构、标签标注和集成学习等改进方案,以供后续研究参考。     

基于3D U-Net++L3卷积神经网络的断层识别

断层解释在构造圈闭中起着十分重要的作用,是地震构造解释的基础和关键.使用传统的相干体、曲率等属性解释断层效率较低,并且受人为因数影响较大,致使断层识别能力有限,而传统的卷积神经网络虽然可以在一定程度上摆脱人为因素的干扰,但在断层识别精度上并没有明显的提高.为了解决断层识别困难的问题,本文提出了一种基于3D U-Net++L³卷积神经网络的断层智能识别方法,该方法是采用计算机视觉领域的图像语义分割技术,对输入数据体的每一个像素点进行判断是否为断层,随后输出断层概率体.测试结果表明,本文所选用的模型的测试精度可以提高至95%左右,损失函数值可以收敛至2%左右.实际应用表明,模型可以在实际地震数据中准确地估算断层位置,在断层连续性上面有所提高,解决了断层与背景在细节上难分问题.从而验证了图像语义分割技术在断层识别上具有一定的研究价值.     

地震油气储层的小样本卷积神经网络学习与预测

地震储层预测是油气勘探的重要组成部分,但完成该项工作往往需要经历多个环节,而多工序或长周期的研究分析降低了勘探效率.基于油气藏分布规律及其在地震响应上所具有的特点,本文引入卷积神经网络深度学习方法,用于智能提取、分类并识别地震油气特征.卷积神经网络所具有的强适用性、强泛化能力,使之可以在小样本条件下,对未解释地震数据体进行全局优化提取特征并加以分类,即利用有限的已知含油气井段信息构建卷积核,以地震数据为驱动,借助卷积神经网络提取、识别蕴藏其中的地震油气特征.将本方案应用于模型数据及实际数据的验算,取得了预期效果.通过与实际钻井信息及基于多波地震数据机器学习所预测结果对比,本方案利用实际数据所演算结果与实际情况有较高的吻合度.表明本方案具有一定的可行性,为缩短相关环节的周期提供了一种新的途径.     

基于深度卷积神经网络的剪切波分裂质量检测

剪切波分裂是分析地震各向异性的一种重要手段,常规方法是利用网格搜索获取分裂参数,再通过不同方法的测量结果对比测量结果进行质量检测,这一过程会耗费大量计算时间。本文针对这一问题提出了一种利用深度卷积神经网络对剪切波分裂进行质量检测的新方法,对使用了Resnet残差结构的深度神经网络进行训练,直接对二分量剪切波波形数据的质量进行分类。整个过程为:神经网络通过卷积层提取波形特征,计算损失函数后反向传播训练模型参数,完成迭代训练后的模型对输入波形数据正向计算自动输出类型。本文利用川西台站接收到的实际数据以及随机生成的合成数据分别对该网络进行训练,均可以获得准确的分类结果。相比于通过多种剪切波分裂方法对比测量结果的质量检测方法,基于神经网络的方法可以省略网格搜索的计算过程直接判断质量类型,在运算速度上的优势明显,并可继续通过训练提高模型的精度,为提升剪切波分裂方法在数据处理过程中的操作效率提供帮助。     

Deep learning for dune pattern mapping with the AW3D30 global surface model

In this paper we present a deep learning (U-Net)-based workflow for classifying linear dune landforms based on the discrete Laplacian convolution of a new global elevation dataset, the AW3D30 digital surface model. Crest vectors were then derived for landscape pattern analysis. The U-Net crest classification model was trained and evaluated on sample data from dunefields across the Australian continent. The resulting crest vectors and dune defect placement were then evaluated in typical semi-arid and arid dune landscapes in eastern central Australia where high-resolution (5 m horizontal) digital elevation models are available (for three out of our four study sites) as a reference dataset. The method was applied to quantify dune pattern metrics for the entire Simpson Desert dunefield, Australia. The U-Net does a very good job of segmenting dune crests, even where dunes are less clear in the Laplacian map (intersection over union score ≈ 0.68). When crest vectors and dune defects (network nodes) were derived, the defect predictions were typically correct (0.4 to 0.79 correctness) but incomplete (0.02 to 0.64 completeness). Much of the residual error was traced to the resolution of the input data. Through the application to the Simpson Desert, we nevertheless demonstrated that our method can effectively be used for regional-scale dune pattern analysis. Furthermore, we suggest that the combination of morphological filtering and a convolutional neural network could readily be adapted to target other geomorphic features, such as channel networks or geological lineaments. © 2020 John Wiley & Sons, Ltd.     

地震应急信息自动分类方法研究

地震应急信息的高效处理为地震应急救援工作提供了重要支撑。本文根据地震应急信息分类的需求,构建了一种高效便捷的地震信息分类处理方法。以震前、震时、震后为时间主线,将地震应急信息分为震前基础背景信息、地震震情灾情信息及震后应急救援信息,并采用“关键词分类”的方法,在计算机语言的支持下,将多渠道汇集的应急信息进行自动分类,在一定程度上缩短了应急信息加工处理与服务的时间,能快速高效地为应急指挥提供信息服务。     

全卷积神经网络在建筑物震害遥感提取中的应用研究

为解决建筑物震害信息提取自动化程度不高的问题,本文将全卷积神经网络应用于建筑物震害遥感信息提取。以玉树地震后获取的玉树县城区0.2m分辨率航空影像作为建筑物震害信息提取试验数据源,将试验区地物划分为倒塌建筑物、未倒塌建筑物和背景3类。对427个500×500像素的子影像进行人工分类与标注,选取393个组成训练样本集,34个用于验证。利用训练样本集对全卷积神经网络进行训练,采用训练后的网络对验证样本进行建筑物震害信息提取及精度评价。研究结果表明:建筑物震害遥感信息提取总体分类精度为82.3%,全卷积神经网络方法能提高信息提取自动化程度,具有较好的建筑物震害信息提取能力。     

基于CNN和Transformer耦合网络的低剂量CT图像重建方法

在投影角度个数不变的情况下,降低每个角度下的射线剂量,是一种有效的低剂量CT实现方式,然而,这会使得重建图像的噪声较大。当前,以卷积神经网络（CNN）为代表的深度学习图像去噪方法已经成为低剂量CT图像去噪的经典方法。受Transformer在计算机视觉任务中展现的良好性能的启发,本文提出一种CNN和Transformer耦合的网络（CTC）,以进一步提高CT图像去噪的性能。CTC网络综合运用CNN的局部信息关联能力和Transformer的全局信息捕捉能力,构建8个由CNN部件和一种改进的Transformer部件构成的核心网络块,并基于残差连接机制和信息复用机制将之互联。与现有4种去噪网络比较,CTC网络去噪能力更强,可以实现高精度低剂量CT图像重建。      

基于迭代残差网络的双能CT图像材料分解研究

双能计算机断层成像技术(DECT)由于其材料分解能力,在高级成像应用中发挥着重要作用.图像域分解直接对CT图像进行线性矩阵反演,但分解后的材料图像会受到噪声和伪影的严重影响.虽然各种正则化方法被提出来解决这个问题,但它们仍然面临着两个挑战:繁琐的参数调整和过度平滑导致的图像细节损失.为此,本文提出一种基于迭代残差网络的...     

基于多尺度注意残差网络的地震波形分类研究

选用2010年2月—2016年12月发生在北京顺义及河北三河等首都圈邻近区域的117个地震事件(包括54个天然地震事件和63个非天然地震事件——爆炸事件)作为研究对象,利用文章所提出的多尺度注意残差网络对其中的天然地震事件和爆炸事件波形进行二分类。首先,对原始地震波形进行简单预处理并截取成相同长度的地震时序数据,直接将其作为网络模型的输入;其次,选用含有残差模块的深度神经网络作为基础网络,利用深度神经网络对特征的自动提取能力,省略了传统波形分类需要提前提取时域波形的特征作为分类算法输入的步骤;然后,融合通道注意力机制(ECA)并对其进行改进,将空间维度的信息融入通道信息,优化了网络对关键信息的关注,更好地聚焦重要特征;最后,使用空间金字塔池化代替最大池化进行多尺度特征融合,得到更多的特征信息,构成多尺度注意残差网络。实验结果表明,最高分类准确率为97.11%,平均分类准确率为96.53%,证明了多尺度注意残差网络在地震波形分类任务中的有效性,为震源类型识别工作提供了一种新的方法。