CN115081719B 一种基于自注意力机制与u型结构结合的地震相自动化识别方法 （西安交通大学）

一种基于自注意力机制与U型结构结合的地本发明公开了一种基于自注意力机制和U型于Segformer的编码器结构，然后将块扩张模块明提出的地震相自动识别方法具有较少的噪声2获得叠后地震数据体，并对所述叠后地震数据体进行预处理利用具有下采样功能的重叠块合并模块与能够全局建模表示的高效自注意力变换器构建混合损失函数，利用所述样本训练验证数据集中所述利用具有下采样功能的重叠块合并模块与能够全局建模表示的高效自注意力变对于一个输入高度、宽度分别为H、W的地震图像XER,构造一编码器复合函数使得且对于特征图有第一子i为第i个编码器输出特征图的通道数，所述第一子函数由1个所述重叠块合并模块和2个所述高效自注意力变换器模块组所述利用具有线性上采样功能的块扩张模块、所述高效自注意力变换合高低层特征的跳跃连接模块构造模型解码器具体包构造一个解码器函数fd，使得所述解码器函数fd包括4与解码特征图有其x(4)所述第二子函数由所述块扩张模块与2个所述高效Transformer模3在编码器与解码器的对应阶段中通过所述跳跃连接模块连接所述利用所述编码器、所述解码器与超列模块构造地震相识别模型具体包括以下步引入超列结构对所述解码器的每个阶段输出特征图进行融合，并对融合后的2.根据权利要求1所述的基于自注意力机制与U采集原始地震数据，进行预处理后得到叠后地震数据体，并将所述叠将所述叠后地震数据体沿着联络测线方向均分为N个切面块，其中每个所述切面块由3.根据权利要求1所述的基于自注意力机制与使用交叉熵损失函数与DiceLoss的混合损失对所述地震相识别模型进行训练，其损44.根据权利要求3所述的基于自注意力机训练所述地震相识别模型时，采用批量随机梯度所述地震相识别模型训练完毕后，将所述地震剖面图像的尺寸调整至所述地震相识别模型预测地震相类别。机梯度下降算法来对所述地震相识别模型的参数进行迭代更新学习具体包括以5[0001]本发明属于地震勘探技术领域，涉及一种基于自注意力机制与U型结构结合的地震相自动化识别技术，尤其是一种利用Segformer自注意力分割网络、UNet网络结构和Hypercolumn语义分割技术相结合的地震图像语义分割方法，并将该地震图像语义分割方码-解码结构的CNN网络来对地震相分类。Di(2019)标注了4个Inline剖面并采用一个类似[0006](2)上述方法都是基于窗口实现的，利用窗口内像素点组成块作为输入来预测中[0007]本发明的目的在于克服上述现有技术的缺点，提出一种基于自注意力机制与U型6[0008]本发明提供了一种基于注意力机制与U型结构结合的地震相自动识别方法，所述[0010]利用具有下采样功能的重叠块合并模块与能够全局建模表示的高效自注意力变[0017]将所述叠后地震数据体沿着联络测线方向均分为N个切面块，其中每个所述切面[0020]所述利用具有下采样功能的重叠块合并模块与能够全局建模表示的高效自注意数使得且对于特征图有第一子函数其中Ci为第i个编码器输出特征图的通道数,所述第一子函数和前馈神经网络子模块，所述自注意力子模块以及所述前馈神经网络子模块的计算公式7够融合高低层特征的跳跃连接模块构造模型解码器具体包括以x2),x[),x[))eR8,所述解码器函数fd包与解码特征图有其x(4)[0033]引入超列结构对所述解码器的每个阶段输出特征图进行[0040]使用交叉熵损失函数与DiceLoss的混合损失对所述地震相识别模型进行训练，8[0045]所述采用批量随机梯度下降算法来对模型的参数进行迭代更新学习采用批量随机梯度下降算法来对所述地震相识别模型的参数进行迭代更新学习具体包括以[0046]通过计算所述损失函数的梯度，沿着梯度负方向更新所述地震相识别模型的参[0048]本发明将自注意力机制与U型结构结合，并采用超列技术分割的思想进行地震相UNet和Segformer模型对比，本发明所提的地震相识别网络模型不仅使得计算机具有较低[0055]下面结合附图1-图6对本发明提供的基于自注意力机制与U型结构的地震相自动明提出一种基于自注意力机制与U型结构结合的地震相自动识别方法，用于预测地震数据9[0057]本发明提供了一种基于自注意力机制与U型结构结合的地震相自动识别方法，所[0059]利用具有下采样功能的重叠块合并模块与能够全局建模表示的高效自注意力变函数使得且对特征图有第一子函数其中Ci为编码器第i个子函数输出特征图的通道数。如图1所Transformer模块包含自注意力子模块和前馈神经网络子模块，用以学习切面图像中不同自注意力子模块计算函数，FFN为高效前馈神经网络子模块计算函数。两者的计算公式如器模块与能够融合高低层特征的跳跃连接模块构造模型解码器具体[0076]对于编码器编码的多阶段编码特征构造一个解码器函数fd，使得·,·]为沿着通道维度张量拼接操作。最后一个阶段的特征图[0077]其中，所述第二子函数通过1个基于全连接层上采样的块扩张模块与2个高效道维度换空间维度，通过一个全连接层将数据的通道维度扩大两倍后进行维度重塑操作。[0083]引入超列结构对解码器的每个阶段输出特征图进行融合，然后对融合后习采用批量随机梯度下降算法来对所述地震相识别模型的参数进行迭代更新学习具体包[0097]通过计算所述损失函数的梯度，沿着梯度负方向更新所述地震相识别模型的参个位置的值代表输入地震图像对应位置的地震相类动识别方法。图4(a)和(b)分别为测试集inline400地震剖面图像与及对应的地震相标签，确率较低，这里没有对比SegNet模型的计算量。当输入样本为128X128的图像时，UNet、在中间层地震相区域引入