文献

J-GLOBAL ID：202202288005908103   整理番号：22A0202763

同時地震画像超解像と雑音除去のための深層学習【JST・京大機械翻訳】

Deep Learning for Simultaneous Seismic Image Super-Resolution and Denoising

著者 (3件)： Li Jintao (School of Earth and Space Sciences, University of Science and Technology of China, Hefei, China) ,  Wu Xinming (School of Earth and Space Sciences, University of Science and Technology of China, Hefei, China) ,  Hu Zhanxuan (School of Computer Science and OPTIMAL, Northwestern Polytechnical University, Xi’an, China)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 60  ページ： ROMBUNNO.5901611.1-11  発行年： 2022年 
JST資料番号： H0016B  ISSN： 0196-2892  CODEN： IGRSD2  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： 地震解釈は,低解像度と強雑音データによってしばしば制限される。この問題に対処するために,地震画像超解像と雑音除去を同時に達成するために,深い畳み込みニューラルネットワーク(CNN)を活用することを提案した。CNNを訓練するために,異なる分解能と雑音レベルを有する多くの合成地震画像をシミュレートし,訓練データセットとして役立つ。知覚品質を改善するために,l_1損失とマルチスケール構造類似性損失を組み合わせた損失関数を用いた。合成および野外地震画像の両方に関する広範な実験結果は,提案したワークフローが元のデータの品質の知覚を著しく改良できることを示した。従来の方法と比較して,ネットワークは,薄い層や小規模の故障のような詳細な構造的および層序的特徴の強化において,より良い性能を得る。著者らのCNN方法によって超サンプルした地震画像から,故障検出方法は,元の地震画像からより正確な故障マップを計算することができた。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： *雑音 ,  故障 ,  損失関数 ,  ネットワーク ,  雑音指数 ,  *地震 ,  故障検出 ,  層序 ,  *超解像 ,  ワークフロー ,  *雑音除去
準シソーラス用語： 訓練データ ,  マルチスケール ,  *深層学習 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 地震 ,  超解像 ,  雑音除去 ,  深層学習