[論文レビュー] Netherlands Dataset: A New Public Dataset for Machine Learning in Seismic Interpretation

Reinaldo Mozart Silva, Laís Baroni+4 more|arXiv (Cornell University)|Mar 26, 2019

Seismic Imaging and Inversion Techniques被引用数 39

ひとこと要約

本論文は Netherlands interpretation dataset を地震ML用に導入し、9つの horizons と 公共データ Netherlands F3 データ由来の約190k のラベル付き地震画像を詳述し、データセットを用いた2つのディープラーニングタスク（分類とセマンティックセグメンテーション）を実証します。

ABSTRACT

Machine learning and, more specifically, deep learning algorithms have seen remarkable growth in their popularity and usefulness in the last years. This is arguably due to three main factors: powerful computers, new techniques to train deeper networks and larger datasets. Although the first two are readily available in modern computers and ML libraries, the last one remains a challenge for many domains. It is a fact that big data is a reality in almost all fields nowadays, and geosciences are not an exception. However, to achieve the success of general-purpose applications such as ImageNet - for which there are +14 million labeled images for 1000 target classes - we not only need more data, we need more high-quality labeled data. When it comes to the Oil&Gas industry, confidentiality issues hamper even more the sharing of datasets. In this work, we present the Netherlands interpretation dataset, a contribution to the development of machine learning in seismic interpretation. The Netherlands F3 dataset acquisition was carried out in the North Sea, Netherlands offshore. The data is publicly available and contains pos-stack data, 8 horizons and well logs of 4 wells. For the purposes of our machine learning tasks, the original dataset was reinterpreted, generating 9 horizons separating different seismic facies intervals. The interpreted horizons were used to generate approximatelly 190,000 labeled images for inlines and crosslines. Finally, we present two deep learning applications in which the proposed dataset was employed and produced compelling results.

研究の動機と目的

• 地震解釈における高品質なラベル付きデータセットの必要性を示し、DL の成功を促進する。
• Introduction: Netherlands interpretation dataset derived from public Netherlands F3 seismic data.
• Provide dataset characteristics including horizons, images, and how labels were generated.
• Demonstrate two deep learning applications (classification and semantic segmentation) using the dataset.

提案手法

• 3D Netherlands F3 seismic data を再解釈して seismic facies に基づく9 horizons を定義する。
• horizons と seismic lines を交差させてラベル付き区間を生成することで約190,000 のラベル付き地震画像を生成する。
• 画像を64x25のタイルに分割し、支配的な horizon クラスを割り当てることで分類タイルを作成し、訓練データをバランスさせる。
• 地震層のテクスチャを分類するためのディープラーニングを適用し、テスト分割で81.6%の精度を達成。
• 転移学習/セグメンテーションの手法を適用してピクセルレベルの（セマンティック）ラベルを生成し、関連研究で IoU 指標を報告。

実験結果

リサーチクエスチョン

• RQ1 Netherlands interpretation dataset を用いて DL モデルは地震タイルから岩層テクスチャを高精度で分類できるか。
• RQ2 このデータセットを用いた horizon ベースのラベルに対するセマンティックセグメンテーションは高い平均 IoU を達成できるか。
• RQ3 タイル戦略とクラスのバランスは地震解釈タスクの DL パフォーマンスにどのように影響するか。

主な発見

• 提供されたテストセットでの分類は81.6%の精度を達成（混同行列は論文に図示）。
• データセットは関連研究で高性能なセマンティックセグメンテーションを可能にしており、さまざまな設定で平均 IoU が90～98%を超える値が報告されている（出典の研究より）。
• タイル化とラベリングのアプローチはクラスをバランスさせ、評価のための標準指標を適用可能にする。
• データセットは9つの horizon、651 inline、951 crossline、約190k のラベル付き画像を含み、DLベンチマーキングに適している。
• このデータセットを用いて2つの DL アプリケーション（岩層分類とセマンティックセグメンテーション）を実証。