基于轻量融合语义分割的三维断层地震识别方法

摘要

当前基于深度学习的断层识别方法层出不穷,重点围绕U型网络开展研究,但U型网络使用了大量的常规卷积,在提高提取特征效果的同时忽略了特征冗余和过拟合问题,导致网络复杂度较高.为了在高精度识别的同时减少特征冗余、缓解过拟合问题,本文提出一种轻量型融合语义分割网络(lightweight fusion semantic segmentation network,LF-SeNet)用于三维断层识别.相较于传统的断层识别网络,LF-SeNet将跳跃连接思想和特征融合相结合,其中,轻量型特征融合模块包含三维可分离卷积、SimAM(simple attention module)、Dropout层和有限矩阵乘积操作,有效地保证了特征提取的效果.为了有效降低网络的复杂度,本文将空洞卷积和轻量型特征融合模块相结合,一方面降低了网络的计算量,另一方面减少了常规卷积带来的特征冗余问题.除此之外,本文采用Dropout层和数据增强手段,提高了网络的泛化能力,缓解了过拟合问题.将该方法在FaultSeg3D数据集上进行实验,结果表明,LF-SeNet的参数量为2.56M,浮点运算次数相较于传统的U型网络降低了95.59G,交并比提升了2%.最后,本文使用三维数据合成技术将断层识别图进行可视化操作,实验结果显示LF-SeNet识别出的断层连续且清晰,说明该网络具有较好的泛化能力,证明了LF-SeNet在断层识别问题中的有效性.

关键词

语义分割 / SimAM / 三维深度可分离卷积 / 断层识别