变窗重建算法和自适应SegNet网络在地层层序划分中的应用

深度学习技术以批量处理数据、解释时间短、解释精度高等特点,为地层自动划分提供了新的方向。然而由于测井数据维度高、样本数量有限、相邻样本间特征相似等原因,深度学习存在着样本独立性与可靠性等问题。面对复杂的地下结构和不整合面,特别是在样本质量差、样本数量少的情况下,常规深度学习方法很难准确划分地层边界。考虑到测井数据属于小样本数据、数量有限且质量较差,不利于模型的训练和构建,因此拟采用可变窗口波形重建算法增加训练数据量,根据原始波形的特征生成重建波形,模拟不同速度下模型的波形特征,对部分原始测井数据进行人工分层重建,将重建后的数据作为训练样本输入到自适应可变卷积核尺寸的SegNet网络中,使用训练好的SegNet来解决复杂的地下结构问题。实验结果表明,采用自适应可变卷积核尺寸的SegNet网络可以在多个尺度上拟合地震数据中的断层和不整合面,达到更好的分割效果,且具有良好的识别效率和较强的鲁棒性。

基于卷积神经网络的全景图像超分辨率算法

文章提出了一种基于卷积神经网络结构的全景图像超分辨率算法3D-WDSR,在单帧图像超分网络WDSR基础上引入可变卷积核结构以减小参数量,节省计算资源。实验结果表明,在不同尺度的超分辨率任务中,先经过预训练后的网络具有更好的性能表现,所提出的3D-WDSR算法的超分辨率重建效果要高于双三次插值方法和EDSR算法,且在参数量仅为WDSR网络的22.3%的情况下具有相当的超分辨率性能。