- 博客(3)
- 收藏
- 关注
RSS订阅原创 2024.8.20 读文献：Building Complex Seismic Velocity Modelsfor Deep Learning Inversion
由于计算机硬件的限制，目前对地震深度学习反演的研究主要基于小尺寸的简化速度模型，如用于训练InversionNet的FlatVel和CurvedVel数据集[30]，以及SeisInvNet论文中提到的SeisInv数据集[33]。为了验证我们的方法在噪声数据上的有效性，我们按照[33]中的实验设置进行了深度学习反演。因此，最先进的深度学习技术已被应用于各种地震问题，包括地震数据的解释(例如[17]，[18])，首次到达的自动拾取(例如[19]-[21])和噪声衰减(例如[22]-[24])。
2024-08-20 22:53:35
1066
原创 朱师兄论文复现
它包含了计算混淆矩阵（Confusion Matrix）、评估模型在测试集上的性能指标（如总体精度、平均精度、平均交并比等），并在指定的目录中保存预测的分割结果图像，主要是。设置了一个固定学习率的训练过程，主要是针对一个已经确定好的模型进行长时间的训练，同时保存模型快照以便在未来使用。：训练完成后，模型的权重会被更新，新的权重会保存在 solver.snapshot_prefix。模型的目的是进行语义分割任务，即对图像的每个像素进行分类。，用于定义一个训练好的模型在推理（预测）阶段的结构和设置。
2024-08-20 15:11:53
1211
原创 Deep-learning inversion: a next generation seismicvelocity-model building method
DataLoad_Train.py是加载训练数据集，并对训练测试数据集进行预处理，与测试不一样的地方是训练起始是0，测试是start 而且训练集大小与测试集大小以及文件位置名称都不一样 但是整体对数据的处理方式逻辑是一样的。FCNVMB_train.py：描述了一个用于从预堆叠未迁移地震数据构建速度模型的全卷积神经网络（U-Net）的完整训练过程。FCN_VMB_test：测试阶段，加载预训练的U-Net模型，并对测试数据进行测试，计算并保存预测结果。块减缩的目的是降低数据维度，使模型处理数据更加高效。
2024-08-08 11:26:46
673
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人