在几乎无监督的情况下，利用无噪声域适应技术进行三维地震断层检测

《Knowledge-Based Systems》：Noise-Free Domain Adaptation for barely supervised 3D seismic fault detection

　　

Ruonan Yin|Timing Li|Xinming Wu|Kewen Li|Yingjie Zhu

摘要

对于3D地震断层的检测而言，获取体积注释非常困难，而基于合成数据训练的模型通常难以很好地泛化到实际数据中。因此，本研究探讨了一个紧迫且具有挑战性的问题：在仅有极其有限的现场注释的情况下检测3D断层，这种场景被称为“几乎无监督学习”（BSL）。在这种情况下，只有少数训练样本被标注，每个样本仅包含一个切片，这常常导致监督学习方法无法收敛。现有的BSL方法通过图像配准来生成体积注释；然而，地震图像的变异性常常导致配准失败。针对这些挑战，我们提出了“无噪声域适应”（NFDA）这一简单而有效的几乎无监督断层检测框架。NFDA首先引入了一种无噪声标签生成（NLC）机制，该机制从切片注释中合成体积标签，从而缓解了由于注释过于稀疏而导致的监督不足问题。随后，NFDA利用频率剪切混合（FCM）和类别级伪标签选择（CLPS）来减少NLC合成样本与未标注样本之间的域差异，从而提高对未标注数据的泛化能力。在合成数据和实际数据集上的广泛实验表明，NFDA的性能显著优于现有的最先进BSL方法。值得注意的是，在定量实验中，NFDA仅使用10个标注切片就实现了63.39%的Dice相似系数。