[논문 리뷰] MSSPN: Automatic First Arrival Picking using Multi-Stage Segmentation Picking Network

Hongtao Wang, Jiangshe Zhang외 5명|arXiv (Cornell University)|2022. 09. 07.

Seismology and Earthquake Studies참고 문헌 41인용 수 5

한 줄 요약

이 논문은 선형 이동시간 보정(LMO)과 단계적 보정을 사용하여 다양한 데이터셋에서 정확도와 일반화 능력을 향상시키기 위해 지반자료의 자동 제1도착시간(FAT) 추출을 위한 다단계 분할 네트워크인 MSSPN을 제안한다. 중간/고 SNR 데이터에서 90% 이상의 정확도를 달성하고, 저 SNR 데이터에서 미세조정을 거친 후 88%의 정확도를 기록하여 이전 방법들보다 뚜렷이 뛰어난 성능을 보인다.

ABSTRACT

Picking the first arrival times of prestack gathers is called First Arrival Time (FAT) picking, which is an indispensable step in seismic data processing, and is mainly solved manually in the past. With the current increasing density of seismic data collection, the efficiency of manual picking has been unable to meet the actual needs. Therefore, automatic picking methods have been greatly developed in recent decades, especially those based on deep learning. However, few of the current supervised deep learning-based method can avoid the dependence on labeled samples. Besides, since the gather data is a set of signals which are greatly different from the natural images, it is difficult for the current method to solve the FAT picking problem in case of a low Signal to Noise Ratio (SNR). In this paper, for hard rock seismic gather data, we propose a Multi-Stage Segmentation Pickup Network (MSSPN), which solves the generalization problem across worksites and the picking problem in the case of low SNR. In MSSPN, there are four sub-models to simulate the manually picking processing, which is assumed to four stages from coarse to fine. Experiments on seven field datasets with different qualities show that our MSSPN outperforms benchmarks by a large margin.Particularly, our method can achieve more than 90\% accurate picking across worksites in the case of medium and high SNRs, and even fine-tuned model can achieve 88\% accurate picking of the dataset with low SNR.

연구 동기 및 목표

• 지반자료에서 자동 제1도착시간(FAT) 추출에 있어 낮은 일반화 능력과 저 SNR 조건에서의 열악한 성능 문제를 해결하기 위해.
• 대규모 레이블 데이터셋에 대한 의존도를 줄이기 위해 수동 추출 과정을 모방하는 다단계 네트워크를 설계하기 위해.
• 다양한 현장 및 데이터 품질 수준 간의 모델 강건성과 이식 가능성 향상을 위해.
• 미세조정을 통해 저 SNR 데이터셋에서의 성능을 향상시켜 약한 제1도착 신호를 더 잘 탐지할 수 있도록 하기 위해.

제안 방법

• MSSPN은 FAT 추출을 네 단계의 순차적 과정으로 분해한다: 굵은 탐지, 잔차 U-Net(RSN)을 통한 보정, 신뢰도 기반 필터링, 최종 출력 생성.
• 첫 번째 도착 진행시간을 트레이스 간에 정렬하기 위해 선형 이동시간(LMO) 보정을 적용하여 의미 분할에 대한 입력 일관성을 향상시킨다.
• 두 번째 단계에서 잔차 U-Net(RSN)을 사용하여 분할 마스크를 보정하며, 입력 정규화와 스플리팅을 통해 희박한 레이블 문제를 완화한다.
• 신뢰도 임계값을 사용하여 저품질 예측을 필터링함으로써 강건성 향상과 오류 추적 감소를 달성한다.
• 다단계 학습 전략을 통해 점진적인 보정을 가능하게 하여 인간과 유사한 추출 행동(粗 → 細)을 시뮬레이션한다.
• 약 512개의 샷으로 구성된 소규모 데이터셋을 사용하여 저 SNR 데이터에서의 미세조정을 적용함으로써, 미약한 신호 탐지 능력을 향상시켰다.

실험 결과

연구 질문

• RQ1 다단계 딥러닝 프레임워크가 다양한 지반 작업 현장과 데이터 품질 수준 간의 일반화 능력을 향상시킬 수 있는가?
• RQ2 LMO 보정이 분할 기반 FAT 추출 모델의 성능과 이식 가능성에 어떤 영향을 미치는가?
• RQ3 미세조정을 통해 저 SNR 지반자료에서의 FAT 추출 정확도는 어느 정도 향상될 수 있는가?
• RQ4 분할 기반 접근 방식이 기존 벤치마크를 초월하여 정확도와 강건성 면에서 뛰어나게 되는가, 특히 저 SNR 조건에서?
• RQ5 단계적 아키텍처가 인간의 추출 행동을 더 잘 모방하여 더 신뢰할 수 있는 결과를 도출할 수 있는가?

주요 결과

• MSSPN은 고 SNR 데이터셋(예: Brunswick)에서 98% 이상의 ACC@1 성능을 기록하고, 중간 SNR 데이터셋(예: Lalor)에서는 90% 이상의 정확도를 확보하여 강력한 일반화 능력과 정확도를 입증했다.
• 저 SNR 데이터(LS)에서는 미세조정 없이 69.42%의 ACC@1 성능을 기록했으며, 미세조정 후 88.06%로 상승하여 상대적 향상률이 26.83%에 이르렀다.
• 저 SNR 데이터셋(LS)에서 기준 모델 [33] 대비 정확도 향상률이 738.52%에 이르며, 도전적인 조건에서의 뛰어난 성능을 입증했다.
• LMO 보정의 적용은 모델의 이식 가능성 향상에 크게 기여하여 다양한 현장에서 일관된 성능을 유지할 수 있도록 했다.
• 미세조정을 통해 이전에는 놓쳤던 약한 제1도착 신호, 특히 중심 및 원거리 오프셋 트레이스에서의 신호 탐지 능력이 향상되었다.
• 최종 출력 결과로 MSSPN이 소음이 많은 영역에서 인간의 수동 추출을 뛰어넘는 정확도를 확보했으며, 인간이 실수를 범하기 쉬운 영역에서 특히 유의미한 성능 향상을 보였다.