卷积神经网络中可学习的地震解释任务的 Gabor 核
摘要：用于地震解释任务的卷积神经网络（CNN）在相位分类等方面的使用引起了很多关注，因为它具有很高的准确性。然而，它的缺点通常是在使用有限的训练数据对进行训练时，特别是对于噪声数据，其泛化能力较差。地震图像主要由对应于具有不同物理参数的地震相位的多样波纹纹理所主导，而这些纹理可以适当地用Gabor函数表示。受到这一事实的启发，我们提出在CNN网络的第一层中使用可学习的Gabor卷积核来提高其泛化能力。修改后的网络结合了Gabor滤波器的可解释性特征和原始CNN的可靠学习能力。更重要的是，它用5个参数取代了传统CNN滤波器的像素性质，这些参数更符合地震特征。此外，我们根据期望地震图像中的特征，在训练过程中将Gabor核的角度和波长限制在一定范围内。在Netherland F3数据集上的实验证明了所提方法在地震相位分类任务中的有效性，特别是在应用于信噪比较低的测试数据时。此外，我们还使用不同的核对这种修改过的CNN进行了盐和胡椒噪声以及散斑噪声的测试。结果表明，当在第一层中使用Gabor核时，我们得到了CNN对噪声具有最好的泛化能力和鲁棒性。
作者：Fu Wang, Tariq Alkhalifah
论文ID：2308.05202
分类：Geophysics
分类简称：physics.geo-ph
提交时间：2023-08-11