基于ConvNext的测井图像描述方法

摘要

针对现有测井图像解释工作高度依赖人工经验和专家意见，无法快速理解和给出图像主旨含义，严重影响测井图像蕴含信息的深度挖掘和利用率问题，提出了一种基于Conv Next网络编码-解码架构的测井图像描述方法。首先，在编码器部分采用Conv Next网络配合混合空洞卷积，以增强模型对低分辨率图像细节信息的提取能力。然后，通过将原始模型的加性注意力机制替换为多头注意力机制，配合具有时序信息记忆能力的LSTM(Long Short Term Memory)，有效提升模型对长距离依赖信息的捕捉能力，从而可生成对测井图像更准确、更自然的描述。实验结果表明，与基线模型方法比较，BLEU-4(Bilingual Evaluation Understudy-4)、METROR(Metric for Evaluation of Translation with Explicit ORdering)以及CIDEr(Consensus-based Image Description Evaluation)评价指标分别提升了3.8、4.0和5.3，表明采用Conv Next架构描述测井图像信息的研究方案是可行的。

关键词

图像描述 / ConvNext网络 / 混合空洞卷积 / 多头注意力机制