-
Patent Agency Ranking
公开(公告)号：CN115826041A
公开(公告)日：2023-03-21
申请号：CN202211458066.6
申请日：2022-11-18
Applicant: 河北工业大学
IPC: G01V1/28
Abstract: 本发明公开了一种基于多尺度残差网络的地震数据重建方法。本发明将多尺度卷积思想应用于残差结构中，在多尺度残差块的基础上引入不同大小的卷积核，通过多尺度残差块级联自适应地提取地震数据的信息；然后利用各多尺度残差块输出作为局部特征进行全局特征融合。最后，将融合后的全局特征发送到重建模块进行地震数据重建。本发明在多尺度残差块的基础上采用不同尺度卷积核进行特征提取，能够更好的提取出地震数据的局部特征，从而重建出更高信噪比的地震数据。
-
公开(公告)号：CN114138919B
公开(公告)日：2024-08-06
申请号：CN202111440070.5
申请日：2021-11-30
Applicant: 河北工业大学
IPC: G06F16/29 , G06N3/0464 , G06N3/08 , G06T17/05
Abstract: 本发明公开了一种基于非局部注意力卷积神经网络的地震数据重建方法。本发明通过非局部注意力机制建立长距离特征关系，通过计算不同局部特征之间的相关性权重，建立局部特征之间的依赖关系，使局部特征可以感知到全局信息，通过引入更多的全局信息加强局部特征的学习能力。因此，非局部注意力可以在不显著加大网络深度的同时建立长距离特征关系，有效融合局部特征和全局特征。本发明采用深度残差网络模块，该模块中包含的多个短跳跃连接和一个长跳跃连接，在有效防止过拟合的同时，还能允许大量的浅层特征向深层传递，方便了信息的流动，使主网络专注于重建缺失的地震数据。
-
公开(公告)号：CN113269818A
公开(公告)日：2021-08-17
申请号：CN202110641642.X
申请日：2021-06-09
Applicant: 河北工业大学
Abstract: 本发明公开了一种基于深度学习的地震数据纹理特征重建方法。本发明采用纹理提取网络，用浅层卷积网络进行训练，该纹理提取网络随着训练的过程不断更新自己的参数，使得纹理提取网络能够提取到最合适的纹理特征信息。采用归一化内积的方法分别计算上采样低分辨率图像特征图Q中的一个特征块和下上采样参考图像特征图K的一个特征块的两两特征块之间的相似度ri，j，通过分块计算相似度来进行迁移学习，用注意力机制进行纹理迁移。在损失函数部分加入了对抗损失和感知损失。本发明能够自动更新参数，不需要其他的先验信息，并且可以学习复杂的纹理特征结构，有效地避免空间假频问题，能够快速重建出清晰的高分辨率地震数据。
-
公开(公告)号：CN113269818B
公开(公告)日：2023-07-25
申请号：CN202110641642.X
申请日：2021-06-09
Applicant: 河北工业大学
Abstract: 本发明公开了一种基于深度学习的地震数据纹理特征重建方法。本发明采用纹理提取网络，用浅层卷积网络进行训练，该纹理提取网络随着训练的过程不断更新自己的参数，使得纹理提取网络能够提取到最合适的纹理特征信息。采用归一化内积的方法分别计算上采样低分辨率图像特征图Q中的一个特征块和下上采样参考图像特征图K的一个特征块的两两特征块之间的相似度ri，j，通过分块计算相似度来进行迁移学习，用注意力机制进行纹理迁移。在损失函数部分加入了对抗损失和感知损失。本发明能够自动更新参数，不需要其他的先验信息，并且可以学习复杂的纹理特征结构，有效地避免空间假频问题，能够快速重建出清晰的高分辨率地震数据。
-
公开(公告)号：CN114138919A
公开(公告)日：2022-03-04
申请号：CN202111440070.5
申请日：2021-11-30
Applicant: 河北工业大学
Abstract: 本发明公开了一种基于非局部注意力卷积神经网络的地震数据重建方法。本发明通过非局部注意力机制建立长距离特征关系，通过计算不同局部特征之间的相关性权重，建立局部特征之间的依赖关系，使局部特征可以感知到全局信息，通过引入更多的全局信息加强局部特征的学习能力。因此，非局部注意力可以在不显著加大网络深度的同时建立长距离特征关系，有效融合局部特征和全局特征。本发明采用深度残差网络模块，该模块中包含的多个短跳跃连接和一个长跳跃连接，在有效防止过拟合的同时，还能允许大量的浅层特征向深层传递，方便了信息的流动，使主网络专注于重建缺失的地震数据。
-
-
-
-
Search Results
5
records
(took 0.091 seconds)
