Segmentation of seismic images based on self-supervised learning and few-labeled samples
Carregando...
Data
Autor(es)
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Minas Gerais
Descrição
Tipo
Dissertação de mestrado
Título alternativo
Segmentação de Imagens Sísmicas baseada em aprendizado auto-supervisionado e poucas amostras rotuladas
Primeiro orientador
Membros da banca
Frederico Gadelha Guimarães
Luiz Alberto Barbosa de Lima
Luiz Alberto Barbosa de Lima
Resumo
Current traditional deep learning methods for seismic image interpretation heavily rely on large amounts of labeled data. Although many seismic volumes are available for download through public databases, these data do not have an associated interpretation. This poses significant challenges regarding the accelerating seismic interpretation. Nonetheless, this field is also of growing interest and presents many opportunities for improvement. There is also an increasing interest in addressing segmentation problems with limited labeled data, particularly in few-shot scenarios. These methodologies offer the potential to effectively tackle the limited labeled data issue. As in many other contexts, seismic interpretation can also benefit from self-supervised learning (SSL) methods, relying on prior training without manually-annotated labels and subsequent fine-tuning with few labeled samples. To demonstrate the potential of such an approach, we conducted experiments with three simple self-supervised pretext tasks: rotation prediction, jigsaw puzzling, and a frame-order prediction. Also, we used pre-tasks with multiple objectives to verify if the combination of tasks would provide the best starting point for the post-fit. These tasks require the model to learn meaningful semantic features about the data that can be used as a start-point for fine-tuning in a semantic segmentation task, aiming at identifying the different lithostratigraphic facies in seismic sections. Our results for 1, 5, 10, and 20 labeled samples (shots) showed significant improvement for Intersection-over-Union (IoU) measurements for the target task in most scenarios, outperforming the baseline method. Additionally, we applied ensemble techniques to further enhance the performance of the fine-tuned models, achieving even better results for the segmentation task. These experiments indicate that the employed SSL methods can benefit seismic interpretation, especially in situations with few available labeled data.
Abstract
As atuais metodologias de aprendizado profundo tradicionais para interpretação de imagens sísmicas dependem fortemente de grandes quantidades de dados rotulados. Embora muitos volumes sísmicos estejam disponíveis para download em bancos de dados públicos, esses dados não possuem uma interpretação associada. Isso coloca desafios significativos em relação à aceleração da interpretação sísmica. No entanto, esse campo também é de interesse crescente e apresenta muitas oportunidades de melhoria. Há também um interesse crescente em abordar problemas de segmentação com dados rotulados limitados, especialmente em cenários de poucas amostras. Essas metodologias oferecem o potencial para uma resolução mais efetiva do problema dos dados rotulados limitados. Assim como em muitos outros contextos, a interpretação sísmica também pode se beneficiar de métodos de aprendizado auto-supervisionado, que se baseiam em treinamento prévio sem rótulos manualmente anotados e posterior ajuste fino com poucos rótulos. Para demonstrar o potencial desse tipo de abordagem, foram conduzidos uma série de experimentos com três simples tarefas preliminares auto-supervisionadas: previsão de rotação, montagem de quebra-cabeça e previsão de ordem de slices. Também, utilizamos de tarefas prévias com múltiplos objetivos para verificar se a combinação de tarefas forneceria melhor ponto de partida para o ajuste posterior. Essas tarefas exigem que o modelo aprenda características semânticas dos dados, que podem ser usadas como ponto de partida para o ajuste fino em uma tarefa de segmentação semântica, com o objetivo de identificar as diferentes facies litoestratigráficas em seções sísmicas. Nossos resultados para 1, 5, 10 e 20 amostras rotuladas mostraram uma melhoria significativa nas medidas de Interseção-sobre-União para essa tarefa alvo na maioria dos cenários, superando o método de referência. Além disso, aplicamos técnicas de ensemble para aprimorar ainda mais o desempenho dos modelos ajustados, obtendo resultados ainda melhores para a tarefa de segmentação. Esses experimentos indicam que a aplicação de métodos SSL pode trazer benefícios substanciais para a interpretação sísmica, especialmente em situações com poucos dados rotulados disponíveis.
Assunto
Computação – Teses, Aprendizado do computador – Teses, Aprendizado profundo – Teses, Sismologia – Análise de imagens – Teses
Palavras-chave
self-supervised learning, seismic image, semantic segmentation, aprendizado auto-supervisionado, imagem sísmica, segmentação semântica