Aprendizagem autosupervisionada para segmentação de imagens sísmicas a partir de poucas amostras rotuladas
Monteiro, Bruno; de Oliveira, Hugo Neves; Santos, Jefersson Alex Dos.
IEEE Geoscience and Remote Sensing Letters, 19 , pp. 1-5, 2022.
http://dx.doi.org/10.1109/lgrs.2022.3193567
Resumo
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 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. Para demonstrar o potencial de tal abordagem, conduzimos 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 dos cenários, superando o método de linha de base em 38% no cenário único para a F3 Holanda Conjunto de dados e 16,4% no conjunto de dados Parihaka da Nova Zelândia, e 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.