[论文解读] MSSPN: Automatic First Arrival Picking using Multi-Stage Segmentation Picking Network

Hongtao Wang, Jiangshe Zhang+5 more|arXiv (Cornell University)|Sep 7, 2022

Seismology and Earthquake Studies参考文献 41被引用 5

一句话总结

本文提出MSSPN，一种用于地震数据中自动初至拾取（FAT）的多阶段分割网络，通过叠加拉伸动校正（LMO）与分阶段优化，显著提升在多样化数据集上的准确率与泛化能力。在中高信噪比（SNR）数据上准确率超过90%，在低SNR数据上微调后准确率达88%，显著优于先前方法。

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.

研究动机与目标

• 解决地震数据中自动初至拾取（FAT）在低信噪比（SNR）条件下泛化能力差、性能不佳的挑战。
• 通过设计一种模拟人工拾取流程的多阶段网络，降低对大规模标注数据集的依赖。
• 提升模型在不同野外作业场地与数据质量水平下的鲁棒性与可迁移性。
• 通过微调提升弱初至信号检测能力，改善低SNR数据集上的性能。

提出的方法

• MSSPN将FAT拾取分解为四个连续阶段：粗略检测、通过残差U-Net（RSN）进行精炼、基于置信度的过滤，以及最终输出生成。
• 该方法对各道的初至旅行时进行线性拉伸动校正（LMO），以提升语义分割输入的一致性。
• 在第二阶段使用残差U-Net（RSN）对分割掩码进行精炼，通过输入归一化与拼接策略缓解稀疏标签的影响。
• 采用置信度阈值过滤低质量预测，提升模型鲁棒性并减少误检。
• 采用多阶段训练策略实现渐进式优化，模拟从粗到细的人类拾取行为。
• 在低SNR数据上使用小规模数据集（512炮）进行微调，提升对弱初至信号的检测能力。

实验结果

研究问题

• RQ1 多阶段深度学习框架能否提升在不同地震作业场地与数据质量水平下的泛化能力？
• RQ2 LMO校正如何提升基于分割的FAT拾取模型的性能与可迁移性？
• RQ3 微调在多大程度上可提升低SNR地震数据上的FAT拾取准确率？
• RQ4 基于分割的方法能否在准确率与鲁棒性方面超越现有基准，尤其是在低SNR条件下？
• RQ5 分阶段架构是否更贴近人类拾取行为，从而带来更可靠的结果？

主要发现

• MSSPN在高SNR数据集（如Brunswick）上ACC@1超过98%，在中SNR数据集（如Lalor）上超过90%，展现出强大的泛化能力与准确率。
• 在低SNR数据（LS）上，MSSPN在未微调时ACC@1为69.42%，微调后提升至88.06%，相对提升达26.83%。
• 与基准方法[33]相比，MSSPN在低SNR数据集（LS）上的准确率提升达738.52%，凸显其在复杂条件下的优越性。
• LMO校正的使用显著提升了模型的可迁移性，使其在不同野外场地均能保持稳定性能。
• 微调使模型能够检测到此前被遗漏的弱初至信号，尤其在中间与远偏移距道上表现突出。
• 最终输出表明，MSSPN在噪声区域的准确率甚至可超越人工拾取，尤其在人类易出错区域表现更优。