文献

J-GLOBAL ID：202202270604137455   整理番号：22A0397631

地震故障検出のための畳込みニューラルネットワークのアンサンブルからの知識の蒸留【JST・京大機械翻訳】

Distilling Knowledge From an Ensemble of Convolutional Neural Networks for Seismic Fault Detection

著者 (5件)： Wang Zirui (School of Mathematics and Statistics, Xi’an Jiaotong University, Xi’an, China) ,  Li Bo (SINOPEC Geophysical Research Institute, Nanjing, China) ,  Liu Naihao (School of Mathematics and Statistics, Xi’an Jiaotong University, Xi’an, China) ,  Wu Bangyu (School of Mathematics and Statistics, Xi’an Jiaotong University, Xi’an, China) ,  Zhu Xu (School of Mathematics and Statistics, Xi’an Jiaotong University, Xi’an, China)
資料名： IEEE Geoscience and Remote Sensing Letters  (IEEE Geoscience and Remote Sensing Letters)
巻： 19  ページ： ROMBUNNO.7500805.1-5  発行年： 2022年 
JST資料番号： W1397A  ISSN： 1545-598X  CODEN： IGRSBY  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 断層検出は地震構造解釈において重要な作業である。一般に,畳込みニューラルネットワーク(CNN)ベースの方法は,ネットワーク訓練のために大量のラベル付きデータを必要とする。ラベル付きデータを構築するための一つの方法は,対応する故障ラベルを有する合成地震画像を作成することである。しかしながら,この合成データがフィールドデータと同じ故障特徴分布を有することを確実にすることは困難であり,それは不正確で信頼できない予測結果に導くかもしれない。もう1つの方法は,時間がかかり,主観的である故障を手動でラベル付けすることである。本レターでは,多数の合成サンプルと少数のフィールドサンプルから特徴を統合することにより,故障検出の性能を改善するために,知識蒸留(KD)を用いることを提案した。地震断層検出のために,学生CNN(最終目標に応用)を訓練するために,2つの教師CNNの集合から知識を蒸留した。本研究では,1つのセグメンテーション教師CNNを,既知のグランドトルース故障ラベルを有する合成サンプルで訓練し,もう1つの分類教師CNNを手動で選択したラベルを持つフィールドサンプルで訓練した。次に,分類学生ネットワークを,2つの教師モデルから結果の投票によって作り出すサンプルに関して訓練した。学生CNNは,合成データにおける一般的故障特性だけでなく,ターゲットフィールドデータの特定の故障特徴も学習する。現場データに関するテストは,学生CNNが,教師CNNsより高い分解能でより正確に地震故障を強調することを示した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *故障 ,  セグメンテーション ,  *ネットワーク ,  *蒸留 ,  分解能 ,  *地震 ,  *故障検出 ,  地震断層
準シソーラス用語： グランドトゥルース ,  *畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (6件)： 地震 ,  故障検出 ,  畳込みニューラルネットワーク ,  アンサンブル ,  知識 ,  蒸留