[논문 리뷰] Semantic Segmentation of Seismic Images

Daniel Civitarese, Daniela Szwarcman외 2명|arXiv (Cornell University)|2019. 05. 10.

Seismic Imaging and Inversion Techniques참고 문헌 19인용 수 22

한 줄 요약

이 논문은 디코더에서 확장된 컨볼루션 대신 전치 잔차 단위를 사용하여 엔드 투 엔드 특징 상향 조정을 가능하게 하는 새로운 딥 러닝 아키텍처인 Danet-FCN을 제안한다. 이는 지속적인 지질학적 이미지의 의미적 세그멘테이션을 위해 개발되었으며, 최소한의 레이블이 부여된 데이터로 훈련되었을 때 mIOU가 99% 이상을 기록하여 U-Net 및 FCN 기반 모델을 능가한다. 특히 데이터가 적은 환경에서 뛰어난 성능을 보인다.

ABSTRACT

Almost all work to understand Earth's subsurface on a large scale relies on the interpretation of seismic surveys by experts who segment the survey (usually a cube) into layers; a process that is very time demanding. In this paper, we present a new deep neural network architecture specially designed to semantically segment seismic images with a minimal amount of training data. To achieve this, we make use of a transposed residual unit that replaces the traditional dilated convolution for the decode block. Also, instead of using a predefined shape for up-scaling, our network learns all the steps to upscale the features from the encoder. We train our neural network using the Penobscot 3D dataset; a real seismic dataset acquired offshore Nova Scotia, Canada. We compare our approach with two well-known deep neural network topologies: Fully Convolutional Network and U-Net. In our experiments, we show that our approach can achieve more than 99 percent of the mean intersection over union (mIOU) metric, outperforming the existing topologies. Moreover, our qualitative results show that the obtained model can produce masks very close to human interpretation with very little discontinuity.

연구 동기 및 목표

• 시간이 오래 소요되는 수동적인 지질학적 수평면 세그멘테이션 문제를 해결하기 위해 딥 러닝을 활용한 의미적 세그멘테이션 자동화를 목표로 한다.
• 최소한의 레이블이 부여된 지속적인 지질학적 데이터에 의존도를 줄이기 위해, 단지 5장의 훈련 슬라이스로도 효과적인 성능을 내는 모델을 설계한다.
• 표준 이미지 세그멘테이션 모델과는 다름없이 지속적인 지질학적 이미지의 특성에 특화된 신경망 아키텍처를 개발한다.
• 제안된 모델이 U-Net 및 FCN와 같은 기존 아키텍처와 비교하여 성능과 효율성을 검증한다.
• 입력 크기와 훈련 데이터 양이 모델의 일반화 능력과 강건성에 미치는 영향을 조사한다.

제안 방법

• 디코더 블록에서 확장된 컨볼루션을 대체하기 위해 전치 잔차 단위를 도입하여 인코더와 대칭적인 '미러 구조'를 구현한다.
• 고정 크기의 상향 조정을 학습 가능한 엔드 투 엔드 특징 상향 조정 연산으로 대체하여 특징 재구성 성능을 향상시킨다.
• 스킵 연결을 갖춘 깊은 잔차 네트워크를 설계하여 공간적 세부 정보를 유지하고 학습을 용이하게 한다.
• 펜오브스켓 3D 지속적인 지질학적 데이터셋을 사용하여 모델을 훈련시키며, 데이터 증강 및 전이 학습 기법을 적용한다.
• 높은 세그멘테이션 정확도를 유지하면서도 파rameter 수와 계산량을 최소화하기 위해 최적화한다.
• 다양한 훈련 데이터 크기와 입력 타일 차원에서의 평가를 위해 평균 교차율(mIOU)을 주요 평가 지표로 사용한다.

실험 결과

연구 질문

• RQ1 표준 FCN 및 U-Net 모델과 비교해 볼 때, 맞춤형 딥 네트워크 아키텍처가 지속적인 지질학적 이미지의 의미적 세그멘테이션 성능을 향상시킬 수 있는가?
• RQ2 매우 제한된 레이블이 부여된 데이터—예를 들어 단지 5장의 지속적인 지질학적 슬라이스로 훈련했을 때, 제안된 모델의 성능은 어떠한가?
• RQ3 전치 잔차 단위의 사용이 지속적인 지질학적 이미지 작업에서 특징 재구성 및 세그멘테이션 정확도를 향상시키는가?
• RQ4 입력 크기와 훈련 예제의 수가 모델의 일반화 능력과 mIOU 성능에 미치는 영향은 어떠한가?
• RQ5 U-Net은 다른 도메인에서는 성공을 거두었지만, 이 특정 지속적인 지질학적 세그멘테이션 설정에서는 왜 수렴하지 못하는가?

주요 결과

• Danet-FCN3 모델은 80×120 타일을 사용한 100장의 훈련 슬라이스에서 mIOU가 0.995를 기록하여 모든 베이스라인을 능가한다.
• 단지 5장의 훈련 슬라이스로도 Danet-FCN3는 mIOU가 0.896를 유지하여 낮은 데이터 조건에서도 강력한 일반화 능력을 보였다.
• Danet-FCN 모델은 총 446만 개의 파라미터와 32억 개의 연산을 가지며, U-Net보다 훨씬 더 파라미터와 계산량이 효율적이다.
• U-Net은 훈련 중에 수렴하지 못했으며, 훈련 손실이 안정화되지 않아 현재의 지속적인 지질학적 데이터 설정과 아키텍처 간의 불일치가 원인임을 시사한다.
• 클래스별 IOU 값은 클래스 1, 3, 5가 데이터 부족에 가장 영향을 받는 것으로 나타났지만, 모든 클래스가 낮은 데이터 환경에서도 IOU > 80%를 유지했다.
• 정성적 결과는 예측 마스크가 인간 레이블 마스크와 시각적으로 유사하며, 불연속성이 최소화되고 높은 구조적 충실도를 보임을 확인했다.