[論文レビュー] Seismic Facies Analysis: A Deep Domain Adaptation Approach

M Quamer Nasim, Tannistha Maiti+3 more|arXiv (Cornell University)|Nov 20, 2020

Seismic Imaging and Inversion Techniques参考文献 40被引用数 8

ひとこと要約

本稿では、データ不足とソース（F3、オランダ）とターゲット（ペンオブスコット、カナダ）の地震データセット間の分布シフトという課題に取り組む、深層ドメイン適応フレームワークであるEarthAdaptNet（EAN）を提案する。CORALを用いたドメイン整合と、デコーダーにおける転置残差ユニットの統合により、EAN-DDAはペンオブスコットでクラス2の99％以上の精度を達成し、全体のピクセルレベル精度も84％以上にまで向上させ、少数クラスの性能が顕著に向上した。

ABSTRACT

Deep neural networks (DNNs) can learn accurately from large quantities of labeled input data, but often fail to do so when labelled data are scarce. DNNs sometimes fail to generalize ontest data sampled from different input distributions. Unsupervised Deep Domain Adaptation (DDA)techniques have been proven useful when no labels are available, and when distribution shifts are observed in the target domain (TD). In the present study, experiments are performed on seismic images of the F3 block 3D dataset from offshore Netherlands (source domain; SD) and Penobscot 3D survey data from Canada (target domain; TD). Three geological classes from SD and TD that have similar reflection patterns are considered. A deep neural network architecture named EarthAdaptNet (EAN) is proposed to semantically segment the seismic images when few classes have data scarcity, and we use a transposed residual unit to replace the traditional dilated convolution in the decoder block. The EAN achieved a pixel-level accuracy >84% and an accuracy of ~70% for the minority classes, showing improved performance compared to existing architectures. In addition, we introduce the CORAL (Correlation Alignment) method to the EAN to create an unsupervised deep domain adaptation network (EAN-DDA) for the classification of seismic reflections from F3 and Penobscot, to demonstrate possible approaches when labelled data are unavailable. Maximum class accuracy achieved was ~99% for class 2 of Penobscot, with an overall accuracy>50%. Taken together, the EAN-DDA has the potential to classify target domain seismic facies classes with high accuracy.

研究の動機と目的

• ペンオブスコット（カナダ）のようなターゲットドメインにおけるラベル付き地震データの限界を解決すること。
• F3（オランダ）をソース、ペンオブスコットをターゲットとする地震データセット間の分布シフトを、堆積相分類の文脈で軽減すること。
• 特に少数の地質的クラスにおいて、深層ドメイン適応を用いてセマンティックセグメンテーションの精度を向上させること。
• 最小限のラベル付きデータで、異なる地震調査地域に一般化可能な堅牢なディープラーニングアーキテクチャの開発

提案手法

• デコーダーでドーナツ型畳み込みの代わりに転置残差ユニットを用いる、U-Netに類似したエンコーダ・デコーダアーキテクチャであるEarthAdaptNet（EAN）を提案する。
• ソースドメインとターゲットドメインの特徴分布を一致させるために、非教師ありドメイン適応としてCORAL（相関一致）を適用する。
• ソースドメイン（F3）のラベル付きデータとターゲットドメイン（ペンオブスコット）のラベルなしデータを用いて、モデルをエンドツーエンドで訓練する。
• 3つの地質的堆積相クラスのピクセル単位分類のため、マルチクラスセグメンテーションヘッドに交差エントロピー損失を適用する。
• トレーニングの安定化と一般化性能の向上のため、データ増強および正規化技術を採用する。
• ソースドメインおよびターゲットドメインの両方で、ピクセルレベル精度、平均IOU、クラスごとのF1スコアを用いて性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 ターゲットドメインでラベル付きデータが不足または存在しない状況下でも、深層ドメイン適応フレームワークが地震堆積相分類の精度を向上させられるか？
• RQ2 異なる地理的地域に由来する地震データセット間のドメインシフトを軽減するために、CORALに基づく特徴一致はどの程度有効か？
• RQ3 ドーナツ型畳み込みを転置残差ユニットに置き換えることで、地震画像解析におけるセグメンテーション性能はどの程度向上するか？
• RQ4 提案されたEAN-DDAモデルは、ターゲットドメインにおける少数地質的クラスに良好に一般化できるか？
• RQ5 標準的なディープニューラルネットワークと比較して、EAN-DDAはクロスドメインの地震堆積相分類においてどの程度の性能向上を達成できるか？

主な発見

• EANはターゲットドメイン（ペンオブスコット）で84％以上のピクセルレベル精度を達成し、データ不足にもかかわらず強い一般化性能を示した。
• EANはターゲットドメインにおける少数地質的クラスで約70％の精度を達成し、クラス不均衡に対する耐性が向上したことを示した。
• CORALを用いたEAN-DDAバージョンは、ペンオブスコットデータセットにおけるクラス2の最大精度が約99％に達し、ドメイン適応の有効性が顕著に示された。
• ペンオブスコットデータセット全体で、ラベルなしの教師なし設定下でも全クラスの精度が50％を超えた。これは、本手法の有効性を裏付けるものである。
• デコーダーに転置残差ユニットを採用することで、標準的なドーナツ型畳み込みベースのデコーダーと比較して、特徴再構築とセグメンテーション精度が向上した。
• 結果から、CORALによるドメイン適応がドメインシフトを顕著に低減し、ターゲットラベルが利用不可であっても高精度な分類が可能であることが確認された。