Contrastive Learning Approach for Semi-Supervised Seismic Facies Identification Using High-Confidence Representations

要約

手作業による地震相の注釈は、地震インタープリターの経験に大きく依存しており、隣接する場所の地震相の分布は非常に似ています。つまり、ラベル付けの多くはコストのかかる反復作業です。
ただし、均等にサンプリングされたラベル付きスライスを少数だけ使用してモデルをトレーニングしても、重大な分類の混乱、つまり地震相のクラスを別のクラスと誤認することが依然としてあることがわかりました。
この問題に対処するために、対照学習のためにラベル付けされていないデータからの特徴を使用して、半教師付き地震相識別方法を提案します。
識別信頼度の高い領域で特徴をサンプリングし、ピクセルレベルのインスタンス識別タスクを使用して、クラス内距離を狭め、クラス間距離を増やします。
インスタンス識別は、潜在空間がより識別可能な決定境界を生成することを促進し、同じクラスの特徴の偏りを減らします。
私たちの方法では、ネットワーク構造を大幅に変更することなく、1 つのブランチを拡張してコントラスト損失を計算するだけで済みます。
SEAM AI とオランダ F3 の 2 つの公共地震調査で実験を行い、提案されたモデルは、F3 調査の注釈の 1% のみを使用して 90 以上の IOU スコアを達成しました。

要約(オリジナル)

The manual seismic facies annotation relies heavily on the experience of seismic interpreters, and the distribution of seismic facies in adjacent locations is very similar, which means that much of the labeling is costly repetitive work. However, we found that training the model with only a few evenly sampled labeled slices still suffers from severe classification confusion, that is, misidentifying one class of seismic facies as another. To address this issue, we propose a semi-supervised seismic facies identification method using features from unlabeled data for contrastive learning. We sample features in regions with high identification confidence, and use an pixel-level instance discrimination task to narrow the intra-class distance and increase the inter-class distance. Instance discrimination encourages the latent space to produce more distinguishable decision boundaries and reduces the bias in the features of the same class. Our method only needs to extend one branch to compute the contrastive loss without extensive changes to the network structure. We have conducted experiments on two public seismic surveys, SEAM AI and Netherlands F3, and the proposed model achieves an IOU score of more than 90 using only 1% of the annotations in the F3 survey.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google