告别密集分割！新框架直接回归层位坐标，稀疏标签下RMSE和PCC双双碾压U-Net
DeepStratNet: A Context-Aware Coordinate Regression Framework for Seismic Horizon Tracking under Sparse Labels
📖 AI 总结
本文提出DeepStratNet，一种面向稀疏标签条件下地震层位追踪的上下文感知坐标回归框架。针对现有深度学习方法普遍将层位追踪建模为密集语义分割所导致的预处理与后处理误差、未标注道被当作背景影响收敛、以及二维模型缺乏层间上下文、三维模型计算代价过高等问题，作者将层位追踪重新表述为有界坐标回归问题，使模型直接预测每个横向位置处目标层位的时间或深度坐标。该方法设计了一个轻量级回归头，可兼容任意预训练视觉骨干网络，并引入LSTM模块建模层间上下文，从而生成连续的层位曲面；训练中采用L1与L2损失在有效层位拾取点处进行监督，并加入地质信息正则项以约束相邻道的横向连续性。在新西兰某地震数据体上的对照实验中，作者比较了四种预训练视觉骨干在分割与回归两种配置下的表现，结果表明所提方法在RMSE和PCC等指标上均稳定优于分割方案，且对训练拾取点稀疏程度的增加具有更强鲁棒性。研究还发现，相邻道之间的预测变化能够反映局部地质复杂度的差异，可作为下游地震解释的自动化质量控制手段。
🔑 关键词速览
| 层位追踪 | 在地震数据中自动识别和追踪同一地质时间/深度界面的过程。 |
| 有界坐标回归 | 将层位追踪建模为直接预测每个横向位置上有界时间/深度坐标的回归问题。 |
| LSTM | 长短期记忆网络，一种循环神经网络，用于建模切片间的上下文依赖关系。 |
| 地质信息正则化 | 利用地质先验知识（如横向连续性）约束模型预测的正则化方法。 |
| RMSE | 均方根误差，衡量预测值与真实值之间差异的常用指标。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅