Publicado em julho de 2022
Publicado no IEEE Xplore, em julho de 2022, o artigo intitulado “Self-Supervised Learning for Seismic Image Segmentation From Few-Labeled Samples”, um estudo produzido pelos pesquisadores do Departamento de Ciência da Computação (DCC) da Universidade Federal de Minas Gerais (UFMG), Belo Horizonte, Brasil, Bruno A. A. Monteiro e Jefersson A. dos Santos, também do Departamento de Ciência da Computação e Matemática, Universidade de Stirling, no Reino Unido, além do Hugo Oliveira, do Instituto de Matemática e Estatística (IME), Universidade de São Paulo (USP), Brasil, trouxe grandes avanços na pesquisa de aprendizagem profunda para interpretação de imagens sísmicas.
Segundo os pesquisadores, os atuais métodos de aprendizagem profunda para interpretação de imagens sísmicas requerem grandes quantidades de dados rotulados e, devido a interesses estratégicos e económicos, estes dados não estão disponíveis em abundância. “Neste cenário, a interpretação sísmica pode se beneficiar da aprendizagem auto-supervisionada (SSL), confiando no treino prévio sem rótulos anotados manualmente dentro do domínio de dados alvo e subsequente ajuste fino com poucos disparos”, descreveram.
Para demonstrar o potencial de tal abordagem, os pesquisadores conduziram experimentos com três tarefas clássicas de pretexto baseadas em contexto: rotação, quebra-cabeça e previsão de ordem de quadros. “Nossos resultados para 1, 5, 10 e 20 disparos mostraram melhora significativa nas medições médias de intersecção sobre união (mIoU) para segmentação semântica na maioria das situações, superando o método de linha de base em 38% no cenário único para o conjunto de dados F3 da Holanda, e 16,4% no conjunto de dados Parikka, da Nova Zelândia. Essa lacuna aumenta ainda mais após a realização da modelagem de conjunto. Esses experimentos sugerem que a aplicação de métodos SSL também pode trazer grandes benefícios na interpretação sísmica quando poucos dados rotulados estão disponíveis”, concluíram.