改进的卷积神经网络及在地层识别中的应用

针对地层识别效率低、准确率不高的问题,提出一种基于改进卷积神经网络的地层识别新方法。该方法基于Ghost模块及扩张卷积,搭建双向级联GhostNet,可有效减少网络参数,从而降低计算量;同时,该模型具有多尺度特征提取能力,并采用双向损失函数对学习过程进行监督,从浅层聚焦于图像局部信息到深层提取语义信息,对所有层输出进行融合,可有效提高地层识别的准确度。首先根据地区特性对测井曲线进行组合优选,对数据进行分层、沃尔什滤波以及线性插值等预处理操作,然后将测井曲线形态映射为二值图像,构造样本数据集,应用改进后的网络即可进行地层识别。实验结果表明,与同类算法比较,提出算法的准确率约有六个百分点的提高,且参数量显著减少。从而表明该方法在复杂地层识别方面具有较大潜力。

BDCN和U-net边缘生成两阶段修复算法

为了对图像中大面积不规则缺失区域进行合理的结构修复和精细的纹理重构,提出了一种基于双向级联边缘检测网络(BDCN)和U-net残缺边缘生成的两阶段网络图像修复算法.第一阶段首先基于BDCN网络提取边缘,然后基于U-net架构的边缘生成网络用下采样对缺失图像边缘提取特征,再结合上采样的输入信息和下采样各层信息还原图像边缘纹理细节;第二阶段使用空洞卷积进行下采样和上采样,经过残差网络重建细节丰富的缺失图像.在公开数据集上将所提算法与现有经典算法进行对比,实验结果表明,所提算法能得到合理的结构和精细的纹理细节,优于对比算法。