[논문 리뷰] Seismic Facies Analysis: A Deep Domain Adaptation Approach

M Quamer Nasim, Tannistha Maiti외 3명|arXiv (Cornell University)|2020. 11. 20.

Seismic Imaging and Inversion Techniques참고 문헌 40인용 수 8

한 줄 요약

이 논문은 지반 편재 분류를 위한 딥 도메인 적응 프레임워크인 EarthAdaptNet (EAN)을 제안한다. 이는 자료 부족 문제와 원천(네덜란드의 F3)과 타겟(캐나다의 펜오브스콧) 지구자기 데이터 세트 간의 분포 차이를 해결한다. CORAL을 통한 도메인 정렬과 디코더에서 확장된 컨볼루션 대신 전치 잔여 단위를 통합함으로써, EAN-DDA는 펜오브스콧에서 클래스 2에 대해 99% 이상의 정확도를 기록했으며, 전체적으로도 84% 이상의 픽셀 수준 정확도를 달성하여 소수 클래스 성능을 크게 향상시켰다.

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.

연구 동기 및 목표

• 펜오브스콧(캐나다)와 같이 레이블이 부족한 타겟 도메인에서의 제한된 레이블 지구자기 데이터 문제를 해결하기 위해.
• 지구자기 편재 분류 과정에서 원천(F3, 네덜란드)과 타겟 지구자기 데이터 세트 간의 분포 차이를 완화하기 위해.
• 특히 소수의 지질학적 클래스에 대해 심층 도메인 적응을 사용하여 의미 분할 정확도를 향상시키기 위해.
• 최소한의 레이블 데이터로 다양한 지구자기 조사 지역에서 일반화 가능한 강력한 딥 러닝 아키텍처를 개발하기 위해.

제안 방법

• 디코더에서 확장된 컨볼루션 대신 전치 잔여 단위를 사용하는 U-Net 유사 인코더-디코더 아키텍처인 EarthAdaptNet (EAN)을 제안한다. 이는 더 나은 특징 복원을 위해 설계되었다.
• 원천 도메인과 타겟 도메인 간의 특징 분포를 정렬하기 위해 비지도 도메인 적응을 위한 CORAL(Correlation Alignment)을 적용한다.
• 원천 도메인(F3)의 레이블 데이터와 타겟 도메인(Penobscot)의 레이블 없음 데이터를 사용하여 모델을 엔드 투 엔드로 훈련시킨다.
• 세 가지 지질학적 편재 클래스의 픽셀 수준 분류를 위해 교차 엔트로피 손실을 사용하는 다중 클래스 분류 헤드를 사용한다.
• 훈련 안정성 향상과 일반화 능력 향상을 위해 데이터 증강 및 정규화 기법을 적용한다.
• 원천 도메인과 타겟 도메인 양쪽에서 픽셀 수준 정확도, 평균 교차 오버랩, 클래스별 F1 점수를 사용하여 성능을 검증한다.

실험 결과

연구 질문

• RQ1 타겟 도메인에서 레이블 데이터가 부족하거나 존재하지 않을 경우, 심층 도메인 적응 프레임워크가 지구자기 편재 분류 정확도를 향상시킬 수 있는가?
• RQ2 다른 지리적 지역에서 온 지구자기 데이터 세트 간의 도메인 차이를 줄이기 위해 CORAL 기반 특징 정렬이 얼마나 효과적인가?
• RQ3 확장된 컨볼루션을 전치 잔여 단위로 대체함으로써 지구자기 이미지 분석에서 분할 성능이 얼마나 향상되는가?
• RQ4 제안된 EAN-DDA 모델이 타겟 도메인의 소수 지질학적 클래스에 대해 잘 일반화되는가?
• RQ5 표준 딥 뉴럴 네트워크에 비해 EAN-DDA는 이방향 지구자기 편재 분류에서 얼마나 높은 성능 향상을 이룰 수 있는가?

주요 결과

• EAN은 타겟 도메인(Penobscot)에서 84% 이상의 픽셀 수준 정확도를 기록하여 자료 부족 상황에서도 강력한 일반화 능력을 입증했다.
• 모델은 타겟 도메인의 소수 지질학적 클래스에 대해 약 70%의 정확도를 달성하여 클래스 불균형에 대한 강건성 향상을 보였다.
• CORAL을 사용한 EAN-DDA 버전은 펜오브스콧 데이터셋에서 클래스 2에 대해 최대 약 99%의 정확도를 기록하여 도메인 적응의 높은 효과성을 입증했다.
• 비지도 설정에서 펜오브스콧 데이터셋의 모든 클래스에 대한 총 정확도가 50%를 초과하여, 타겟 레이블이 전혀 없을 경우에도 접근 방식의 타당성을 확인했다.
• 디코더에서 전치 잔여 단위를 사용함으로써 특징 복원과 분할 정밀도가 기존 확장된 컨볼루션 기반 디코더보다 향상되었다.
• 결과적으로, CORAL을 통한 도메인 적응이 도메인 차이를 크게 줄여주며, 타겟 레이블이 없을 경우에도 고정확도 분류를 가능하게 한다는 점이 확인되었다.