结合SKNet 与U-Net 的盐体识别方法

程国建，刘宁，万晓龙，姚卫华，魏新善; CHENG Guojian; LIU Ning; WAN Xiaolong; YAO Weihua; WEI Xinshan

结合SKNet与U-Net的盐体识别方法

程国建¹
机构：
1. 西安石油大学计算机学院，陕西西安 710065
×
，刘宁¹
机构：
1. 西安石油大学计算机学院，陕西西安 710065
×
，万晓龙²
机构：
2. 中国石油长庆油田分公司勘探开发研究院，陕西西安 710018
×
，姚卫华²
机构：
2. 中国石油长庆油田分公司勘探开发研究院，陕西西安 710018
×
，魏新善²
机构：
2. 中国石油长庆油田分公司勘探开发研究院，陕西西安 710018
×

1. 西安石油大学计算机学院，陕西西安 710065；
2. 中国石油长庆油田分公司勘探开发研究院，陕西西安 710018；

Salt body recognition method combining SKNet with U-Net

CHENG Guojian¹
Affiliation：
1. School of Computer Science，Xi’an Shiyou University，Xi’an City，Shaanxi Province， 710065 ，China
×
，LIU Ning¹
Affiliation：
1. School of Computer Science，Xi’an Shiyou University，Xi’an City，Shaanxi Province， 710065 ，China
×
，WAN Xiaolong²
Affiliation：
2. Exploration and Development Research Institute，Changqing Oilfield Company，PetroChina，Xi’an City，Shaanxi Province， 710018 ，China
×
，YAO Weihua²
Affiliation：
2. Exploration and Development Research Institute，Changqing Oilfield Company，PetroChina，Xi’an City，Shaanxi Province， 710018 ，China
×
，WEI Xinshan²
Affiliation：
2. Exploration and Development Research Institute，Changqing Oilfield Company，PetroChina，Xi’an City，Shaanxi Province， 710018 ，China
×

1. School of Computer Science，Xi’an Shiyou University，Xi’an City，Shaanxi Province， 710065 ，China；
2. Exploration and Development Research Institute，Changqing Oilfield Company，PetroChina，Xi’an City，Shaanxi Province， 710018 ，China；

作者简介:

程国建(1964—),男,陕西扶风人,教授,博士,从事计算智能、机器学习、人工智能与模式识别、图像处理等工作。E-mail:gjcheng@xsyu.edu.cn。

中图分类号:TE319

文献标识码:A

文章编号:1009-9603(2022)01-0062-07

DOI:10.13673/j.cnki.cn37-1359/te.2022.01.008

全文
评论
参考文献
出版信息

参考文献 1

余一欣，周心怀，彭文绪，等.盐构造研究进展述评［J］.大地构造与成矿学，2011，35（2）：169-182.YU Yixin，ZHOU Xinhuai，PENG Wenxu，et al.An overview on salt structures［J］.Geotectonica et Metallogenia，2011，35（2）：169-182.

查找原文

参考文献 2

史帅雨，余一欣，殷进垠，等.下刚果盆地盐构造变形特征及其形成机理［J］.石油与天然气地质，2020，41（5）：1 092-1 099.SHI Shuaiyu，YU Yixin，YIN Jinyin，et al.Deformation character⁃ istics and formation mechanism of salt structure in the Lower Con⁃ go Basin［J］.Oil & Gas Geology，2020，41（5）：1 092-1 099.

查找原文

参考文献 3

王鹏飞，霍春亮，叶小明，等.伊拉克BU油田碳酸盐岩储层沉积过程数值模拟［J］.油气地质与采收率，2019，26（4）：56-61.WANG Pengfei，HUO Chunliang，YE Xiaoming，et al.Numerical simulation of sedimentary process for carbonate reservoir in BU Oilfield，Iraq［J］.Petroleum Geology and Recovery Efficiency，2019，26（4）：56-61.

查找原文

参考文献 4

李阳，代宗仰，黄蕾，等.叠合概率法在碳酸盐岩储层评价中的应用——以辽河坳陷西部凹陷高升地区沙四段为例［J］.中国石油勘探，2019，24（3）：361-368.LI Yang，DAI Zongyang，HUANG Lei，et al.Application of over⁃ lapping probability method in carbonate reservoir evaluation：a case study on 4th member of Shahejie Formation in Gaosheng ar⁃ ea of western sag，Liaohe depression［J］.China Petroleum Explora⁃ tion，2019，24（3）：361-368.

查找原文

参考文献 5

刘静静，邬长武，丁峰.南大西洋两岸含盐盆地类型与油气分布规律［J］.石油实验地质，2018，40（3）：372-380.LIU Jingjing，WU Changwu，DING Feng.Basin types and hydro⁃ carbon distribution in salt basins in the South Atlantic［J］.Petro⁃ leum Geology & Experiment，2018，40（3）：372-380.

查找原文

参考文献 6

龚兵，杨峰，胡博宇.江汉盆地潜江组盐间页岩油藏储层盐析伤害特征［J］.特种油气藏，2019，26（6）：141-145.GONG Bing，YANG Feng，HU Boyu.Salting-out damage of intersalt shale oil reservoirs in the Qianjiang Formation of Jianghan Basin［J］.Special Oil & Gas Reservoirs，2019，26（6）：141-145.

查找原文

参考文献 7

邵红梅，卢曦，高波，等.微区原位地球化学分析技术与应用——以古城地区碳酸盐岩储层成岩演化为例［J］.大庆石油地质与开发，2019，38（5）：160-168.SHAO Hongmei，LU Xi，GAO Bo，et al.Geochemical analyzing technique of the microzone’s normal position and its application：A case study on the diagenetic evolution of the carbonate reser⁃ voir in Gucheng area［J］.Petroleum Geology & Oilfield Develop⁃ ment in Daqing，2019，38（5）：160-168.

查找原文

参考文献 8

WANG Z，DI H，SHAFIQ M A，et al.Successful leveraging of im⁃ age processing and machine learning in seismic structural inter⁃ pretation：A review［J］.The Leading Edge，2018，37（6）：451-461.

查找原文

参考文献 9

DI H，ALREGIB G.Seismic multi-attribute classification for salt boundary detection-a comparison［C］.Paris：79th Eage Confer⁃ ence and Exhibition，2017.

查找原文

参考文献 10

WALDELAND A U，SOLBERG A.Salt classification using deep learning［C］.Paris：79 th Eage Conference and Exhibition，2017.

查找原文

参考文献 11

LONG J，SHELHAMER E，DARRELL T.Fully convolutional net⁃ works for semantic segmentation［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Piscat⁃ away：IEEE，2015：3 431-3 440.

查找原文

参考文献 12

RONNEBERGER O，FISCHER P，BROX T.U-Net：Convolutional networks for biomedical image segmentation［C］//Proceedings of International Conference on Medical Image Computing and Com⁃ puter-assisted Intervention.Munich：Springer，2015：234-241.

查找原文

参考文献 13

ISLAM M S U.Using deep learning based methods to classify salt bodies in seismic images［J］.Journal of Applied Geophysics，2020，178：104054.

查找原文

参考文献 14

LI X，WANG W，HU X，et al.Selective kernel networks［C］//Pro⁃ ceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition.Piscataway：IEEE，2019：510-519.

查找原文

参考文献 15

FU J，LIU J，TIAN H，et al.Dual attention network for scene seg⁃ mentation［C］//Proceedings of the IEEE/CVF Conference on Com⁃ puter Vision and Pattern Recognition.Piscataway：IEEE，2019：3 146-3 154.

查找原文

参考文献 16

HARIHARAN B，ARBELÁEZ P，GIRSHICK R，et al.Hypercol⁃ umns for object segmentation and fine-grained localization［C］//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition.Piscataway：IEEE，2015：447-456.

查找原文

参考文献 17

ZHAO H，SHI J，QI X，et al.Pyramid scene parsing network［C］//Proceedings of the IEEE Conference on Computer Vision and Pat⁃ tern Recognition.Piscataway：IEEE，2017：2 881-2 890.

查找原文

参考文献 18

XIE S，GIRSHICK R，DOLLÁR P，et al.Aggregated residual trans⁃ formations for deep neural networks［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Piscat⁃ away：IEEE，2017：1 492-1 500.

查找原文

参考文献 19

BERMAN M，TRIKI A R，BLASCHKO M B.The lovász-softmax loss：A tractable surrogate for the optimization of the intersectionover-union measure in neural networks［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Piscataway：IEEE，2018：4 413-4 421.

查找原文

参考文献 20

LOSHCHILOV I，HUTTER F.SGDR：Stochastic gradient descent with restarts［J］.Computing Research Repository，2016，abs/1608.03983.

查找原文

目录contents

摘要 Abstract
关键词 Keywords
1 USKNet模型架构
2 数据准备
2.1 数据集预处理
2.2 损失函数优选
3 模型训练
3.1 评价指标
3.2 训练过程
4 结果分析
4.1 不同损失函数对USKNet的影响
4.2 SKNet与自注意力机制对USKNet的影响
4.3 USKNet与其他模型对比
5 结束语
参考文献

摘要

地下盐体与油气藏的关系密不可分，盐体的准确识别对油气藏勘探和钻探路径规划具有重要意义。以往的深度学习方法使用固定大小的感受野，不能根据地震图像中盐体的大小动态地调整卷积核来捕捉特征，从而忽略了部分全局信息，导致在盐体边界或狭长处识别效果较差。针对上述问题，在U-Net基础上进行改进，使用SKNet 作为编码器提取盐体特征，其具有动态选择机制，根据输入信息的多个尺度自适应地调整感受野的大小，并结合位置与通道自注意力机制以及超柱体方法进行特征融合。采用改进的U-Net方法对TGS盐体数据集进行评估，取得交并比为85.66%、像素准确率为96.1%的识别效果。

Abstract

The relationship between underground salt bodies and oil and gas reservoirs is inseparable. The accurate recogni- tion of salt bodies is of great significance to the oil and gas reservoir exploration and drilling path planning. In existing deep learning methods，the size of the receptive field is unchanged，and the convolution kernel cannot be dynamically adjusted for the feature capture according to the size of the salt body in a seismic image. As a result，the part of the global informa- tion is ignored，which results in poor recognition at the boundaries or narrow areas of the salt bodies. In response to the above problems，this paper proposes a new method based on U-Net with SKNet as the encoder to extract salt body features. It has a dynamic selection mechanism that allows the sizes of the receptive fields to be adjusted adaptively according to mul- tiple scales of the input information. In addition，it combines the position and channel self-attention mechanism and the hy- per column method for feature fusion. The improved U-Net method is used to evaluate the TGS salt body data set. The rec- ognition results have an intersection over union（IoU）of 85.66% and a pixel accuracy of 96.1%.

关键词

盐体识别；深度学习； SKNet ； U-Net ；自注意力机制；特征融合

Keywords

salt body recognition ； deep learning ； SKNet ； U-Net ； self-attention mechanism ； feature fusion

盐体构造是指由于岩盐或其他蒸发岩的流动变形所形成的地质变形体，包括盐变形体本身及其周围的其他变形岩层^[1-2]。由于盐体运动可以形成良好的圈闭，其对于油气的生成、聚集和最终定位具有重要影响，并且盐体在常温常压下会发生假塑性流动，从而导致油井钻探过程中会遇到许多问题。地下的地质构造一般通过收集地震反射信号呈现出来，其地震图像需要专家进行人工识别盐体，这无疑非常费时费力^[3-7]。随着计算机视觉技术的发展，边缘检测、图像分割等技术应用到盐体识别中。早期，研究者们使用传统的图像处理方法如归一化割、水平集等，这些方法具有较高的计算复杂度，在真实场景中很难实施部署。WANG 等将地震属性与机器学习算法相结合，常用的地震属性有视觉显著性和无序性等^[8]。DI等对6种机器学习分类器在盐体识别问题上进行对比，得到类似的盐体分割结果，表明盐体识别问题对机器学习算法不太敏感^[9]。
随着卷积神经网络（CNN，Convolutional Neural Network）的出现，网络模型实现了端到端的特征选择与分割。WALDELAND 等首次将 CNN 应用到盐体识别中，将 3D 地震图像切分成小块，以预测当前小块中心像素是否为盐体，获得了较好的盐体分割效果^[10]。全卷积神经网络（FCN，Fully Convolutional Networks）的发明，把图像级别的分类进一步延伸到像素级别，从而进行端到端的分割^[11]。为了克服 FCN 没有充分考虑上下文信息和实时性较差等缺点，出现了基于编码器-解码器的网络模型，U-Net 是其代表之一^[12]。U-Net 是一个对称的结构，由收缩路径和扩张路径组成，并通过跨层连接将编解码器联系起来。ISLAM 等结合 U-Net和 SE-ResNet卷积模块，验证了基于跳跃连接的CNN体系结构在学习基本地震特征的能力^[13]。上述方法都采用固定的3×3的卷积核，不能提取丰富的盐体上下文信息，从而出现盐体边界分割不清晰或盐体狭长处分割不准确等问题。为此，笔者提出将 SKNet（Selective Kernel Network）^[14]与 U-Net 相结合的方法，其可自适应地调节感受野，获得更丰富的盐体特征；并在 U-Net的编解码器之间引入位置和通道自注意力机制^[15]，获得盐体的长距离依赖关系，增强盐体特征表示，将所提出的方法命名为 USKNet，该方法取得了较好的盐体识别效果。
1 USKNet模型架构
USKNet模型架构基于U-Net改进（图1）。在编码器部分，将SKNet34替换原始堆叠的卷积、批量归一化与激活层，从而使编码器可以根据盐体的大小或形状动态地选择3×3或5×5的卷积核。特征图经过编码器过程中，最大池化或卷积步长为 2 的操作使特征图像素从128×128缩小至8×8，通道数则从8 维增加至 512 维。在编解码器中间部分，经过 2 个卷积操作后，使用位置和通道自注意力机制，捕捉长距离依赖关系，同时抑制无关特征或噪声。在解码器部分，与原始U-Net基本保持一致，将编码器每层的输出与解码器经过反卷积的结果拼接，再进行卷积操作。为了融合盐体的多尺度特征，使用了超柱体方法^[16]，将解码器每层的输出进行拼接，最后通过 1×1 的卷积核和 sigmoid 函数运算得到像素级盐体或非盐体分类概率。同时，为了减少数据集中不包含盐体的图片样例对分割结果的干扰，受 PSPNet的启发，在编码器末端引入辅助的二分类器用来识别图像中是否包含盐体^[17]。
SK unit结构是 USKNet模型架构编码器的主要组成部分，由一个3×3的卷积核和SK卷积构成。SK 卷积模块（图2）可分为拆分、融合、选择 3 个阶段。在拆分阶段，特征图可从多个路径输入，路径数用M 表示，当M为2时，分别对应3×3和5×5的卷积核，为了保持感受野的大小且减少参数，使用3×3、空洞数为 2 的空洞卷积代替 5×5 的卷积核。受 ResNeXt 影响^[18]，在卷积操作时使用了分组卷积，分组数用G表示，设定 G 为 32。在融合阶段，将每个路径得到的特征图相加，之后进行全局平均池化，特征图维度由H ×W ×C变为1×C，接着通过维度为C ×d的全连接层降维至1×d的输出向量z，d为一个可调节的参数，一般为C/32且最小值为32。在选择阶段，在通道维度上运用softmax函数，通过软注意力机制进行特征图选择，2条路径的注意力权重表达式分别为：
图1 USKNet模型架构
Fig.1 USKNet model architecture
图2 SK卷积模块
Fig.2 SK convolution module

a_{c} = \frac{e^{A_{c} z}}{e^{A_{c^{z}}} + e^{B_{c^{z}} z}}

(1)

b_{c} = \frac{e^{B_{c} z}}{e^{A_{c}^{z}} + e^{B_{c} z}}

(2)

当 M =2 时，各通道对应特征图矩阵的表达式为：

O_{c} = a_{c} \cdot V_{c} + b_{c} \cdot U_{c}

(3)

其中：

a_{c} + b_{c} = 1

(4)

自注意力机制是获得长距离依赖的一种方式，可动态地生成不同连接的权重，通常采用查询、键、值模式，其表达式为：

O = X_{s o f t m a x} (\frac{K^{T} Q}{\sqrt{D_{k}}})

(5)

编码器和解码器的中间部分为位置和通道自注意力机制模块（图3）。位置自注意力机制模块将输入的特征图通过 3 个卷积操作分别得到特征图 D，E 和 F，其中特征图 D 和 E 经过维度调整和 soft⁃ max函数运算得到维度为（H ×W）×（H ×W）的矩阵，此矩阵表示特征图 D 和 E 不同位置的相关性，2 个位置的特征表示越相似，其相关性就越大。通道自注意力机制模块经过维度调整和 softmax 函数运算得到维度为 C ×C的矩阵，此矩阵表示通道之间的互相影响程度。为了充分利用长距离依赖信息，对这 2 个自注意力机制模块得到的特征图进行聚合。
图3 位置和通道自注意力机制模块
Fig.3 Position and channel self-attention mechanism module
2 数据准备
2.1 数据集预处理
TGS 盐体识别数据集由包含标签的 4 000 个训练集数据和不包含标签的 18 000 个测试集数据组成，每个数据是由地下三维地震数据进行二维切片得到的单通道灰度图像，像素为 101×101。标签图像掩码分为2类，即255（白色）代表盐体，0（黑色）代表非盐体。在数据集中，由于每张图像盐体分布不均衡，在划分训练集与验证集时，为了数据分布的一致性，按盐体占比为4∶1的比例进行分层抽样，得到 3 200 个数据的训练集和 800 个数据的验证集。在预处理时，先将每张图像的像素从 101×101 调整至128×128，以便更易使用卷积操作；再使用数据增强技术来扩充训练集，考虑到盐体分布与深度具有一定的关系，因而避免使用垂直翻转操作。对原始图像尺寸调整后，按随机概率通过水平翻转、亮度调整、小角度旋转来数据增强（图4）。
2.2 损失函数优选
对于判断是否包含盐体的二分类器，其所需要的标签可根据盐体占比来获得，盐体占比为 0 表示不包含盐体，盐体占比不为 0 表示包含盐体。二分类器的优化运用二值交叉熵（BCE）损失函数计算，其表达式为：
图4 数据增强
Fig.4 Data augmentation

L_{B C E} (y, \hat{y}) = - [y l o g (\hat{y}) + (1 - y) l o g (1 - \hat{y})]

(6)

对于盐体的语义分割，由于盐体与非盐体占比较不平衡且优化的目标是交并比（IoU），故二值交叉熵损失函数不适用。同时交并比损失函数是非凸的，不易收敛到最小值，因此选择 lovasz-hinge 损失函数来优化分割效果^[19]。盐体的分割损失和辅助损失总和的表达式为：

\begin{matrix} L = L_{lovasz-hinge} (g_{all}, {\hat{p}}_{all}) + α L_{B C E} (y, \hat{y}) + \\ β L_{lovasz-hinge} (g_{have-salt}, {\hat{p}}_{have-salt}) \end{matrix}

(7)

二分类器为辅助损失，在整体损失中占比较小，本模型中 α 取值为 0.05；在数据集中，盐体占比较多的图像约占50%，本模型中β取值为0.5。
3 模型训练
3.1 评价指标
在语义分割中，通常采用像素准确率（PA）和交并比来衡量真实值与预测值的差距，评价指标的范围都为[0，1]，数值越大表示真实值与预测值的差距越小。像素准确率和交并比的表达式分别为：

P A = \frac{T P + T N}{T P + F P + T N + F N}

(8)

I o U = \frac{T P}{T P + F P + F N}

(9)

3.2 训练过程
为节省训练时间，结合迁移学习的方法，编码器使用了在 ImageNet 数据集上预训练的 SKNet34。由于预训练模型需要输入三通道图像进行归一化，因此将灰度图像通过Open CV以彩色模式读取再输入模型，训练集与验证集比例为 4∶1，设置 batchsize 为 32，优化算法为 SGD，初始学习率为 0.01，学习率调整策略采用余弦退火策略^[20]，其表达式为：

η_{t} = η_{m i n}^{i} + \frac{1}{2} (η_{m a x}^{i} - η_{m i n}^{i}) (1 + c o s \frac{T_{c u r}}{T_{i}} π)

(10)

模型训练了 140 个 epoch，每 2 个 epoch 进行一次验证并保存 IoU 最高的模型权重，得到训练集与验证集的PA及IoU曲线（图5）。
4 结果分析
4.1 不同损失函数对USKNet的影响
为了探究不同损失函数对盐体的语义分割效果，对比了 dice 与 lovasz-hinge 损失函数。从 USKNet在2种损失函数下的评价指标（表1）可以看出，采用lovasz-hinge损失的IoU和PA比dice损失分别提高2.16%和0.6%。结果表明，lovasz-hinge损失函数更适用于盐体的语义分割。
图5 训练集与验证集的PA和IoU曲线
Fig.5 PA and IoU curves of training set and validation set
表1 不同损失函数对USKNet的影响
Table1 Influence of different loss functions on USKNet
4.2 SKNet与自注意力机制对USKNet的影响
为验证SKNet提取盐体特征的有效性和自注意力机制的效果，在使用辅助损失函数和超柱体方法的前提下，SKNet+U-Net的方法在IoU和PA上比U-Net 分别提高了 7.18% 和 2.0%；加入自注意力机制后，IoU 和 PA 又分别提高了 0.95% 和 0.2%，证明 SKNet 与自注意力机制可有效提高盐体识别效果（表2）。
4.3 USKNet与其他模型对比
将USKNet与U-Net，PSPNet盐体的语义分割评价指标（表3）进行对比，USKNet在 IoU和 PA上都具有较大优势。从不同盐体占比图像在3种模型下的语义分割效果（图6）可以看出，USKNet在边界处分割的更清晰，在面对小目标盐体和复杂盐体形状时也更具有鲁棒性。
表2 SKNet与自注意力机制对USKNet的影响
Table2 Influence of SKNet and self-attention mechanism on USKNet
表3 不同模型下盐体的语义分割评价指标
Table3 Evaluation indexes of semantic segmentation of salt bodies by different models
5 结束语
USKNet 模型可自适应地获取不同大小感受野的盐体特征，同时通过位置与通道自注意力机制来增强盐体特征表示，进一步提升了盐体识别效果，改善了盐体边界、狭长处和小目标盐体的语义分割效果。但本文提出的模型只验证了在二维地震图像上具有较好的盐体识别效果，对于三维地震数据，实际应用中更需要准确地识别出三维盐体形状，未来的研究工作聚焦于将该方法推广到三维地震数据以便提高模型在不同地质环境下的泛化能力。
符号解释
a，b ——特征图V和U的注意力权重；
a_c，b_c ——a和b的第c个注意力权重；
A，B ——全连接层的权重矩阵；
A_c，B_c ——A和B第c个行向量；
C ——特征图的通道数，维；
c ——通道序号；
D，E，F，U，V ——特征图矩阵；
D_k ——归一化因子；
FN ——假阴性，预测值为非盐体而真实值为盐体；
图6 不同模型下盐体的语义分割效果
Fig.6 Results of semantic segmentation of salt bodies by different models
FP ——假阳性，预测值为盐体而真实值为非盐体；
g_all ——所有输入图像的真实掩码值；
g_have-salt ——输入图像中包含盐体的真实掩码值；
G——分组数；
H ——特征图的高度；
i ——启动训练的次数；
IoU ——交并比；
K ——键向量组成的矩阵；
L ——分割损失和辅助损失的总和；
L_lovasz_-hinge——lovasz-hinge损失；
L_BCE——二值交叉熵损失；
M ——路径数，个；
O ——自注意力机制的输出矩阵；
O_c ——通道c对应的特征图矩阵；
PA ——像素准确率，%；
${\hat{p}}_{all}$ ——所有数据对应的预测像素级概率；
${\hat{p}}_{have-salt}$ ——包含盐体数据对应的预测像素级概率；
Q ——查询向量组成的矩阵；
t ——迭代次数；
TN ——真阴性，预测值和真实值都为非盐体；
TP ——真阳性，预测值和真实值都为盐体；
T_cur——目前已完成的epoch数，个；
T_i ——第i次启动时的epoch数，个；
U_c ——特征图U的第c个通道对应的矩阵；
V_c ——特征图V的第c个通道对应的矩阵；
W ——特征图的宽度；
X ——值向量组成的矩阵；
y ——标签值；
$\hat{y}$ ——预测的概率；
z ——全连接层的输出向量；
α，β ——损失函数影响因子；
$η_{m a x}^{i}$ ——第i次启动时的学习率最大值；
$η_{m i n}^{i}$ ——第i次启动时的学习率最小值；
η_t ——第t次迭代时的学习率。
参考文献
- [1] 余一欣，周心怀，彭文绪，等.盐构造研究进展述评［J］.大地构造与成矿学，2011，35（2）：169-182.YU Yixin，ZHOU Xinhuai，PENG Wenxu，et al.An overview on salt structures［J］.Geotectonica et Metallogenia，2011，35（2）：169-182.
- [2] 史帅雨，余一欣，殷进垠，等.下刚果盆地盐构造变形特征及其形成机理［J］.石油与天然气地质，2020，41（5）：1 092-1 099.SHI Shuaiyu，YU Yixin，YIN Jinyin，et al.Deformation character⁃ istics and formation mechanism of salt structure in the Lower Con⁃ go Basin［J］.Oil & Gas Geology，2020，41（5）：1 092-1 099.
- [3] 王鹏飞，霍春亮，叶小明，等.伊拉克BU油田碳酸盐岩储层沉积过程数值模拟［J］.油气地质与采收率，2019，26（4）：56-61.WANG Pengfei，HUO Chunliang，YE Xiaoming，et al.Numerical simulation of sedimentary process for carbonate reservoir in BU Oilfield，Iraq［J］.Petroleum Geology and Recovery Efficiency，2019，26（4）：56-61.
- [4] 李阳，代宗仰，黄蕾，等.叠合概率法在碳酸盐岩储层评价中的应用——以辽河坳陷西部凹陷高升地区沙四段为例［J］.中国石油勘探，2019，24（3）：361-368.LI Yang，DAI Zongyang，HUANG Lei，et al.Application of over⁃ lapping probability method in carbonate reservoir evaluation：a case study on 4th member of Shahejie Formation in Gaosheng ar⁃ ea of western sag，Liaohe depression［J］.China Petroleum Explora⁃ tion，2019，24（3）：361-368.
- [5] 刘静静，邬长武，丁峰.南大西洋两岸含盐盆地类型与油气分布规律［J］.石油实验地质，2018，40（3）：372-380.LIU Jingjing，WU Changwu，DING Feng.Basin types and hydro⁃ carbon distribution in salt basins in the South Atlantic［J］.Petro⁃ leum Geology & Experiment，2018，40（3）：372-380.
- [6] 龚兵，杨峰，胡博宇.江汉盆地潜江组盐间页岩油藏储层盐析伤害特征［J］.特种油气藏，2019，26（6）：141-145.GONG Bing，YANG Feng，HU Boyu.Salting-out damage of intersalt shale oil reservoirs in the Qianjiang Formation of Jianghan Basin［J］.Special Oil & Gas Reservoirs，2019，26（6）：141-145.
- [7] 邵红梅，卢曦，高波，等.微区原位地球化学分析技术与应用——以古城地区碳酸盐岩储层成岩演化为例［J］.大庆石油地质与开发，2019，38（5）：160-168.SHAO Hongmei，LU Xi，GAO Bo，et al.Geochemical analyzing technique of the microzone’s normal position and its application：A case study on the diagenetic evolution of the carbonate reser⁃ voir in Gucheng area［J］.Petroleum Geology & Oilfield Develop⁃ ment in Daqing，2019，38（5）：160-168.
- [8] WANG Z，DI H，SHAFIQ M A，et al.Successful leveraging of im⁃ age processing and machine learning in seismic structural inter⁃ pretation：A review［J］.The Leading Edge，2018，37（6）：451-461.
- [9] DI H，ALREGIB G.Seismic multi-attribute classification for salt boundary detection-a comparison［C］.Paris：79th Eage Confer⁃ ence and Exhibition，2017.
- [10] WALDELAND A U，SOLBERG A.Salt classification using deep learning［C］.Paris：79 th Eage Conference and Exhibition，2017.
- [11] LONG J，SHELHAMER E，DARRELL T.Fully convolutional net⁃ works for semantic segmentation［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Piscat⁃ away：IEEE，2015：3 431-3 440.
- [12] RONNEBERGER O，FISCHER P，BROX T.U-Net：Convolutional networks for biomedical image segmentation［C］//Proceedings of International Conference on Medical Image Computing and Com⁃ puter-assisted Intervention.Munich：Springer，2015：234-241.
- [13] ISLAM M S U.Using deep learning based methods to classify salt bodies in seismic images［J］.Journal of Applied Geophysics，2020，178：104054.
- [14] LI X，WANG W，HU X，et al.Selective kernel networks［C］//Pro⁃ ceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition.Piscataway：IEEE，2019：510-519.
- [15] FU J，LIU J，TIAN H，et al.Dual attention network for scene seg⁃ mentation［C］//Proceedings of the IEEE/CVF Conference on Com⁃ puter Vision and Pattern Recognition.Piscataway：IEEE，2019：3 146-3 154.
- [16] HARIHARAN B，ARBELÁEZ P，GIRSHICK R，et al.Hypercol⁃ umns for object segmentation and fine-grained localization［C］//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition.Piscataway：IEEE，2015：447-456.
- [17] ZHAO H，SHI J，QI X，et al.Pyramid scene parsing network［C］//Proceedings of the IEEE Conference on Computer Vision and Pat⁃ tern Recognition.Piscataway：IEEE，2017：2 881-2 890.
- [18] XIE S，GIRSHICK R，DOLLÁR P，et al.Aggregated residual trans⁃ formations for deep neural networks［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Piscat⁃ away：IEEE，2017：1 492-1 500.
- [19] BERMAN M，TRIKI A R，BLASCHKO M B.The lovász-softmax loss：A tractable surrogate for the optimization of the intersectionover-union measure in neural networks［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Piscataway：IEEE，2018：4 413-4 421.
- [20] LOSHCHILOV I，HUTTER F.SGDR：Stochastic gradient descent with restarts［J］.Computing Research Repository，2016，abs/1608.03983.

基本信息

中图分类号: TE319
文献标识码: A
DOI: 10.13673/j.cnki.cn37-1359/te.2022.01.008
文章编号: 1009-9603(2022)01-0062-07

基金信息

国家自然科学基金项目“基于遥感大数据的汾渭平原空气质量时空特征及其驱动力研究与模拟”(62002286)；
国家自然科学基金青年科学基金项目“基于多核学习的高分辨率光学遥感图像固定结构人造目标检测方法研究”(41301480)；

稿件历史

收稿日期: 2021-05-19

参考文献

[1] 余一欣，周心怀，彭文绪，等.盐构造研究进展述评［J］.大地构造与成矿学，2011，35（2）：169-182.YU Yixin，ZHOU Xinhuai，PENG Wenxu，et al.An overview on salt structures［J］.Geotectonica et Metallogenia，2011，35（2）：169-182.
[2] 史帅雨，余一欣，殷进垠，等.下刚果盆地盐构造变形特征及其形成机理［J］.石油与天然气地质，2020，41（5）：1 092-1 099.SHI Shuaiyu，YU Yixin，YIN Jinyin，et al.Deformation character⁃ istics and formation mechanism of salt structure in the Lower Con⁃ go Basin［J］.Oil & Gas Geology，2020，41（5）：1 092-1 099.
[3] 王鹏飞，霍春亮，叶小明，等.伊拉克BU油田碳酸盐岩储层沉积过程数值模拟［J］.油气地质与采收率，2019，26（4）：56-61.WANG Pengfei，HUO Chunliang，YE Xiaoming，et al.Numerical simulation of sedimentary process for carbonate reservoir in BU Oilfield，Iraq［J］.Petroleum Geology and Recovery Efficiency，2019，26（4）：56-61.
[4] 李阳，代宗仰，黄蕾，等.叠合概率法在碳酸盐岩储层评价中的应用——以辽河坳陷西部凹陷高升地区沙四段为例［J］.中国石油勘探，2019，24（3）：361-368.LI Yang，DAI Zongyang，HUANG Lei，et al.Application of over⁃ lapping probability method in carbonate reservoir evaluation：a case study on 4th member of Shahejie Formation in Gaosheng ar⁃ ea of western sag，Liaohe depression［J］.China Petroleum Explora⁃ tion，2019，24（3）：361-368.
[5] 刘静静，邬长武，丁峰.南大西洋两岸含盐盆地类型与油气分布规律［J］.石油实验地质，2018，40（3）：372-380.LIU Jingjing，WU Changwu，DING Feng.Basin types and hydro⁃ carbon distribution in salt basins in the South Atlantic［J］.Petro⁃ leum Geology & Experiment，2018，40（3）：372-380.
[6] 龚兵，杨峰，胡博宇.江汉盆地潜江组盐间页岩油藏储层盐析伤害特征［J］.特种油气藏，2019，26（6）：141-145.GONG Bing，YANG Feng，HU Boyu.Salting-out damage of intersalt shale oil reservoirs in the Qianjiang Formation of Jianghan Basin［J］.Special Oil & Gas Reservoirs，2019，26（6）：141-145.
[7] 邵红梅，卢曦，高波，等.微区原位地球化学分析技术与应用——以古城地区碳酸盐岩储层成岩演化为例［J］.大庆石油地质与开发，2019，38（5）：160-168.SHAO Hongmei，LU Xi，GAO Bo，et al.Geochemical analyzing technique of the microzone’s normal position and its application：A case study on the diagenetic evolution of the carbonate reser⁃ voir in Gucheng area［J］.Petroleum Geology & Oilfield Develop⁃ ment in Daqing，2019，38（5）：160-168.
[8] WANG Z，DI H，SHAFIQ M A，et al.Successful leveraging of im⁃ age processing and machine learning in seismic structural inter⁃ pretation：A review［J］.The Leading Edge，2018，37（6）：451-461.
[9] DI H，ALREGIB G.Seismic multi-attribute classification for salt boundary detection-a comparison［C］.Paris：79th Eage Confer⁃ ence and Exhibition，2017.
[10] WALDELAND A U，SOLBERG A.Salt classification using deep learning［C］.Paris：79 th Eage Conference and Exhibition，2017.
[11] LONG J，SHELHAMER E，DARRELL T.Fully convolutional net⁃ works for semantic segmentation［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Piscat⁃ away：IEEE，2015：3 431-3 440.
[12] RONNEBERGER O，FISCHER P，BROX T.U-Net：Convolutional networks for biomedical image segmentation［C］//Proceedings of International Conference on Medical Image Computing and Com⁃ puter-assisted Intervention.Munich：Springer，2015：234-241.
[13] ISLAM M S U.Using deep learning based methods to classify salt bodies in seismic images［J］.Journal of Applied Geophysics，2020，178：104054.
[14] LI X，WANG W，HU X，et al.Selective kernel networks［C］//Pro⁃ ceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition.Piscataway：IEEE，2019：510-519.
[15] FU J，LIU J，TIAN H，et al.Dual attention network for scene seg⁃ mentation［C］//Proceedings of the IEEE/CVF Conference on Com⁃ puter Vision and Pattern Recognition.Piscataway：IEEE，2019：3 146-3 154.
[16] HARIHARAN B，ARBELÁEZ P，GIRSHICK R，et al.Hypercol⁃ umns for object segmentation and fine-grained localization［C］//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition.Piscataway：IEEE，2015：447-456.
[17] ZHAO H，SHI J，QI X，et al.Pyramid scene parsing network［C］//Proceedings of the IEEE Conference on Computer Vision and Pat⁃ tern Recognition.Piscataway：IEEE，2017：2 881-2 890.
[18] XIE S，GIRSHICK R，DOLLÁR P，et al.Aggregated residual trans⁃ formations for deep neural networks［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Piscat⁃ away：IEEE，2017：1 492-1 500.
[19] BERMAN M，TRIKI A R，BLASCHKO M B.The lovász-softmax loss：A tractable surrogate for the optimization of the intersectionover-union measure in neural networks［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Piscataway：IEEE，2018：4 413-4 421.
[20] LOSHCHILOV I，HUTTER F.SGDR：Stochastic gradient descent with restarts［J］.Computing Research Repository，2016，abs/1608.03983.

伦理声明

分享给微信好友或者朋友圈

使用微信“扫一扫”功能。

结合SKNet与U-Net的盐体识别方法

Salt body recognition method combining SKNet with U-Net

摘要

Abstract

关键词

Keywords

1 USKNet模型架构

(1)

(2)

(3)

(4)

(5)

2 数据准备

2.1 数据集预处理

2.2 损失函数优选

(6)

(7)

3 模型训练

3.1 评价指标

(8)

(9)

3.2 训练过程

(10)

4 结果分析

4.1 不同损失函数对USKNet的影响

4.2 SKNet与自注意力机制对USKNet的影响

4.3 USKNet与其他模型对比

5 结束语

参考文献

基本信息

基金信息

稿件历史

参考文献