A Self-Supervised Learning Framework for Multi-Tasks Seismic Processing Via Meta-Learning

计算机科学 元学习(计算机科学) 人工智能 任务(项目管理) 工程类 系统工程
作者
Susan Cheng,Randy Harsuko,Tariq Alkhalifah
标识
DOI:10.3997/2214-4609.202410338
摘要

Summary Despite the typical commonalities and consistent features found in seismic data, neural networks are frequently trained for singular, specific tasks. Leveraging the acquired features and representations across multiple tasks can reduce the training cost and enhance the network's resilience. Meta learning offers the opportunity for a network to adapt to many tasks efficiently; however, a notable drawback lies in its dependency on labeled data for supervised training, which hinders its application to real data. To address this issue, we employ a self-supervised meta learning paradigm that allows direct training on label-less real data for many seismic processing tasks. In this framework, both the meta-training and meta-testing phases utilize a consistent self-supervised learning (SSL) strategy, namely iterative data refinement. Specifically, the pseudo-labels for the current epoch are derived from the predictions of the network trained in the previous epoch using the original data, while the input data are constructed by processing these predicted pseudo-labels, depending on the specific seismic processing task at hand. Numerical examples demonstrate the effectiveness of the proposed framework in improving quality and reducing cost across various seismic processing tasks under an SSL paradigm.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
czm完成签到,获得积分10
刚刚
科研通AI2S应助来了来了采纳,获得10
刚刚
zho应助单纯胡萝卜采纳,获得30
刚刚
Gitope发布了新的文献求助10
1秒前
1秒前
Akim应助oO采纳,获得10
1秒前
研友_n0kM5L完成签到,获得积分10
1秒前
无限毛豆发布了新的文献求助30
2秒前
2秒前
czm发布了新的文献求助10
2秒前
2秒前
酷波er应助畅畅采纳,获得10
4秒前
明清完成签到,获得积分10
4秒前
4秒前
4秒前
alexye619发布了新的文献求助10
5秒前
ding应助柠檬初上采纳,获得10
5秒前
让我康康发布了新的文献求助10
5秒前
大气摩托发布了新的文献求助10
6秒前
slby发布了新的文献求助10
7秒前
8秒前
研友_n0kM5L发布了新的文献求助10
8秒前
8秒前
Gitope完成签到,获得积分10
9秒前
gery发布了新的文献求助10
9秒前
苏毓发布了新的文献求助10
9秒前
10秒前
吴军霄完成签到,获得积分10
10秒前
JamesPei应助ww采纳,获得10
11秒前
yueoho发布了新的文献求助10
12秒前
小巧碎片发布了新的文献求助10
13秒前
小方完成签到,获得积分10
13秒前
乐乐应助slby采纳,获得10
14秒前
14秒前
顺利一德发布了新的文献求助10
14秒前
alexye619完成签到 ,获得积分10
15秒前
yangliu071998发布了新的文献求助10
16秒前
17秒前
执着的松鼠完成签到,获得积分10
17秒前
科研废物完成签到,获得积分10
19秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Very-high-order BVD Schemes Using β-variable THINC Method 830
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3248438
求助须知:如何正确求助?哪些是违规求助? 2891833
关于积分的说明 8268874
捐赠科研通 2559834
什么是DOI,文献DOI怎么找? 1388717
科研通“疑难数据库(出版商)”最低求助积分说明 650798
邀请新用户注册赠送积分活动 627775