1.基于数据增强的scSE_VGG16-UNet++地震层位识别方法,其特征在于,包括以下步骤:步骤1:将UNet编码器中的主干特征提取网络替换为VGG16网络的前5个卷积块,形成VGG16-UNet网络;
步骤2:在VGG16-UNet网络的基础上,引入密集连接和深度监督机制,构建VGG16-UNet++网络模型;
步骤3:对原始地震剖面数据及对应的层位标签数据进行同步增强处理;
步骤4:构建同时包含通道注意力模块和空间注意力模块的scSE注意力机制模块;
步骤5:将scSE注意力机制模块嵌入VGG16-UNet++网络的编码器与解码器之间的跳跃连接处,形成scSE_VGG16-UNet++网络模型,并利用增强后的数据进行模型训练;
步骤6:采用交叉熵损失函数和Adam优化算法对scSE_VGG16-UNet++网络模型进行训练;
步骤7:利用平均交并比和像素准确率对训练后的模型进行层位识别结果评估;
所述步骤4包括以下具体步骤:
对于通道维度的注意力模块,设输入特征图为:
;
其中,为实数集,为空间高度,为空间宽度,为通道数;
将输入特征图视为通道的组合,其中,对第个通道做全局平均池化,将包含全局信息的特征图在空间维度上压缩成,得到通道描述向量:;
其中,为标量,表示通道描述向量;,;
在通过两层全连接层和ReLU激活函数后变换为:
;
其中,为变换后的通道描述向量,和分别为两个全连接层的权重矩阵,为ReLU激活函数;经过sigmoid激活函数归一化处理后得到,进而得到在通道维度上对重新标定后的特征图:;
其中,为cSE模块的输出,为sigmoid激活函数,表示第个通道的重要性;
对于空间维度的注意力模块,将输入特征图视为另一种切片形式,即按空间位置切分为,对施加的卷积核,该卷积的输出为,其中,对应空间位置,且,;为卷积核权重,为卷积输出的投影张量,为二维离散卷积运算;
投影中的每个元素表示空间位置处所有通道的线性组合,通过sigmoid激活函数归一化处理后得到,进而得到在空间维度上对重新标定后的特征图:;
其中,为sSE模块的输出,表示空间位置处的重要性;
对上述两种注意力模块进行组合,形成scSE注意力机制模块,该组合能够同时对进行通道维度和空间维度上的重新标定,得到标定后的特征图:;
其中,为scSE模块的输出。
2.根据权利要求1所述的基于数据增强的scSE_VGG16-UNet++地震层位识别方法,其特征在于在所述步骤1中,VGG16网络的前5个卷积块依次包含卷积层数为64、128、256、512、512的卷积层,每个卷积块后接一个最大池化层;所述VGG16-UNet网络去除了VGG16网络中的全连接层。
3.根据权利要求1所述的基于数据增强的scSE_VGG16-UNet++地震层位识别方法,其特征在于,在所述步骤2中,VGG16-UNet++网络模型在每次下采样后即进行上采样预测,并通过密集连接将不同尺度的特征预测结果进行融合。
4.根据权利要求1所述的基于数据增强的scSE_VGG16-UNet++地震层位识别方法,其特征在于,在所述步骤3中,数据增强处理包括以下方式:水平翻转、横向平移、横向缩放、横向剪切变换、高斯加噪、高斯模糊。
5.根据权利要求1所述的基于数据增强的scSE_VGG16-UNet++地震层位识别方法,其特征在于,在所述步骤5中,所述scSE注意力机制模块被并行地添加至VGG16-UNet++网络每一个跳跃连接中,用于在编码器特征与解码器特征融合前进行特征重校准。
6.根据权利要求1所述的基于数据增强的scSE_VGG16-UNet++地震层位识别方法,其特征在于,在所述步骤6中,采用交叉熵损失函数提升模型训练的分类精度,使用Adam优化算法自适应地调整模型参数的学习率,对步骤5构建的网络模型进行端到端的训练;
对于分类问题,交叉熵损失定义为:
;
其中,是样本数量,是类别数量,表示第i个样本是否属于类c的指示,表示第i个样本是否属于类c的概率;通过这个损失函数缩小模型预测与真实标签之间的概率差异,提升模型的分类精度。
7.根据权利要求1所述的基于数据增强的scSE_VGG16-UNet++地震层位识别方法,其特征在于,在所述步骤7中,平均交并比的计算公式如下所示:;
其中,TP表示正确地把目标层位预测为目标层位,FP表示错误地把非目标层位预测为目标层位,FN表示错误地把目标层位预测为非目标层位,TN表示正确的把非目标层位预测为非目标层位;
是指预测类别正确的像素占总像素的比例,其计算公式如下:。