قابلیت شبکه های کانولوشنی در تخمین سرعت سنگ با تصاویر چندمقیاسی
عنوان دوره: نوزدهمین کنفرانس ژئوفیزیک ایران
نویسندگان
استادیار/دانشگاه زنجان
چکیده
پیشرفت‌های اخیر در فیزیک سنگ رقومی و ظهور شبکه‌های عصبی کانولوشنی باعث شده است تا محققان زیادی با استفاده از یادگیری عمیق ارتباطی بین تصاویر سنگ و پارامترهای فیزیکی و ویژگی‌های ظاهری آن برقرار نمایند. آنها از این شیوه برای کلاسه‌بندی تصاویر، قطعه‌بندی و تخمین پارامترهای سنگ استفاده نمودند. با این وجود، تمامی این مطالعات از تصاویری در یک مقیاس خاص به عنوان داده ورودی استفاده کردند. در این مطالعه قابلیت این شبکه‌ها در مقابل تصاویر ورودی چندمقیاسی با هدف بهبود نتایج تحمینی بررسی می‌شود. از این رو، نقشه ویژگی‌‌ مقیاس‌های مختلف ابتدا توسط شبکه‌های خودرمزنگار استخراج شده و سپس یک شبکه عصبی متداول ضمن تلفیق آنها، سرعت سنگ را تخمین می‌زند. نتایج نشان داد که این کار باعث بزرگ‌تر شدن شبکه و افزایش نمایی پارامترهای نامعلوم آن شده که خود منجر به عدم آموزش مناسب و دقت کمتر تخمین‌ها می‌گردد. این حالی است که یک شبکه کانولوشنی متداول می‌تواند نتایج بسیار بهتری حتی با استفاده از تصاویر با بزرگنمایی پایین ارائه کند.
کلیدواژه ها
 
Title
Capability of convolutional networks on predicting rock velocity using multiscale images
Authors
Sadegh Karimpouli
Abstract
Due to recent advancements in digital rock physics and arising convolutional neural networks (CNN), many researchers tried to make a connection between rock images and their physical parameters and apparent characteristics using deep learning. They used CNN for the aim of classification, segmentation and rock parameters estimation. However, in all of these studies the input images were limited in one specific scale. In this paper, we study capability of these networks against multiscale input images. To this end, multiscale feature maps are extracted using various autoencoder networks and, then, they are used by a conventional neural network to estimate the rock velocities. Our results showed that this makes the network bigger and consequently unknown parameters of the network increase exponentially, leading to a poorer training low accurate estimations. On the contrary, a CNN produces much better results even with low-resolution images.
Keywords
Deep learning, Convolutional Neural Network, Digital rock physics, Multiscale