AdaSemSeg: An Adaptive Few-shot Semantic Segmentation of Seismic Facies

要約

ディープラーニング方法を使用した地震画像の自動化された解釈は、トレーニングデータの可用性が限られているため、困難です。
少数のショット学習は、限られた監督（トレーニング予算が少ない）で新しいタスクに適応する能力のため、このようなシナリオで適切な学習パラダイムです。
既存の少数のセマンティックセグメンテーション（FSSS）メソッドターゲットクラスの数を修正します。
したがって、クラスの数が異なる複数のデータセットでの共同トレーニングをサポートしていません。
地震相の解釈の文脈では、ターゲットクラスの数を修正することで、ある相のデータセットで訓練されたモデルの一般化能力が別の相手に訓練されているモデルの一般化能力を阻害します。
この欠点に対処するために、Adasemsegと呼ばれるデータセット全体のさまざまな数の相に適応できる地震相を解釈するためのいくつかのショットセマンティックセグメンテーション方法を提案します。
一般に、FSSSメソッドのバックボーンネットワークは、パフォーマンスを向上させるためにImagENetデータセットから学習した統計で初期化されます。
地震画像用のこのような巨大な注釈付きデータセットの欠如は、地震データセットで自己監視されたアルゴリズムを使用してバックボーンネットワークを初期化する動機となります。
さまざまな数の相を持つ3つの公共地震相データセットでAdasemsegを訓練し、複数のメトリックで提案された方法を評価しました。
目に見えないデータセットでのAdasemsegのパフォーマンス（トレーニングでは使用されていません）は、プロトタイプベースの少数のショット方法とベースラインよりも優れています。

要約(オリジナル)

Automated interpretation of seismic images using deep learning methods is challenging because of the limited availability of training data. Few-shot learning is a suitable learning paradigm in such scenarios due to its ability to adapt to a new task with limited supervision (small training budget). Existing few-shot semantic segmentation (FSSS) methods fix the number of target classes. Therefore, they do not support joint training on multiple datasets varying in the number of classes. In the context of the interpretation of seismic facies, fixing the number of target classes inhibits the generalization capability of a model trained on one facies dataset to another, which is likely to have a different number of facies. To address this shortcoming, we propose a few-shot semantic segmentation method for interpreting seismic facies that can adapt to the varying number of facies across the dataset, dubbed the AdaSemSeg. In general, the backbone network of FSSS methods is initialized with the statistics learned from the ImageNet dataset for better performance. The lack of such a huge annotated dataset for seismic images motivates using a self-supervised algorithm on seismic datasets to initialize the backbone network. We have trained the AdaSemSeg on three public seismic facies datasets with different numbers of facies and evaluated the proposed method on multiple metrics. The performance of the AdaSemSeg on unseen datasets (not used in training) is better than the prototype-based few-shot method and baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google