[论文解读] 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 8

一句话总结

本文提出 EarthAdaptNet (EAN)，一种用于地震相分类的深度域适应框架，解决了源域（F3，荷兰）与目标域（宾布斯科特，加拿大）地震数据集之间数据稀缺与分布偏移的问题。通过整合 CORAL 进行域对齐，并在解码器中使用转置残差单元，EAN-DDA 在宾布斯科特数据集中对类别 2 的准确率超过 99%，整体像素级准确率超过 84%，显著提升了少数类别的性能。

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.

研究动机与目标

• 解决在目标域（如加拿大宾布斯科特）中标签数据有限所带来的挑战，该地标签样本稀缺。
• 在地震相分类过程中，缓解源域（F3，荷兰）与目标域地震数据集之间的分布偏移问题。
• 通过深度域适应技术，提升语义分割准确率，特别是针对少数地质类别。
• 开发一种鲁棒的深度学习架构，可在极少标签数据的情况下跨不同地震勘探区域实现良好泛化。

提出的方法

• 提出 EarthAdaptNet (EAN)，一种类似 U-Net 的编码器-解码器架构，其中解码器中使用转置残差单元替代空洞卷积，以实现更优的特征恢复。
• 采用 CORAL（相关性对齐）进行无监督域适应，以对齐源域与目标域之间的特征分布。
• 使用源域（F3）的标注数据与目标域（宾布斯科特）的未标注数据进行端到端训练。
• 采用多类别分割头结合交叉熵损失，实现对三种地质相类别的像素级分类。
• 应用数据增强与归一化技术，以稳定训练过程并提升泛化能力。
• 通过像素级准确率、平均交并比以及各类别的 F1 分数，在源域与目标域上验证模型性能。

实验结果

研究问题

• RQ1 当目标域中标签数据稀缺或不可用时，深度域适应框架能否提升地震相分类的准确率？
• RQ2 基于 CORAL 的特征对齐在减少来自不同地理区域的地震数据集之间的域偏移方面效果如何？
• RQ3 将空洞卷积替换为转置残差单元，在地震图像分析中对分割性能的提升程度如何？
• RQ4 所提出的 EAN-DDA 模型在目标域中对少数地质类别的泛化能力如何？
• RQ5 与标准深度神经网络相比，EAN-DDA 在跨域地震相分类中的性能增益如何？

主要发现

• EAN 在目标域（宾布斯科特）上实现了超过 84% 的像素级准确率，表明其在数据稀缺条件下仍具备强大泛化能力。
• 该模型在目标域中对少数地质类别的准确率约为 70%，表明其对类别不平衡问题具有更强的鲁棒性。
• 采用 CORAL 的 EAN-DDA 变体在宾布斯科特数据集中对类别 2 的最大类别准确率接近 99%，显示出域适应的高效性。
• 在无监督设置下，宾布斯科特数据集中所有类别的总体准确率超过 50%，证实了该方法在无目标标签情况下的可行性。
• 解码器中使用转置残差单元相比标准空洞卷积基解码器，显著提升了特征重建与分割精度。
• 结果表明，通过 CORAL 实现的域适应能显著减少域偏移，即使在无目标标签的情况下也能实现高精度分类。