基于卷积神网络自动速度拾取方法研究.pdfVIP

2

罗毅1.阿美科，阿美科亚洲。2.EXPEC先进，沙特阿美。

122

卷积神经网络的自动速度拾取马悦,姬旭,费同威,

在图像的不同部分检测到相同的模式，从而显著减少参

数数量，相比全连接神经网络更高效。ConvNets已被

我们开发了一种自动速度拾取方法基于卷积神经网络

广泛而深入地应用于识别人脸、物体、交通标志以及语

（ConvNets）。该方法将速度拾取问题形式化为一个

音识别，同时也为机器人和自动驾驶汽车的视觉系统提

卷积网络回归模型，将经过NMO校正的道集映射

t供了强大支持。此外，将深度学习技术应用于数据

a

e到速度误差估计。我们还提出了一种数据预处理技术，

s处理与解释的也日益增加，例如相位分类

U用于将共点道集的浅层和反射归一化为相同

f（RamirezJr.和Meyer，2011）以及从预迁移数据

o

s的动校正形状，这是成功训练的关键因素。合成示例表中进行断层检测（Araya‑Polo等人，2017）。

m

r明了所提方法的可行性和有效性。

e

T

e本文中，我们提出了一种基于卷积神经网络的自动速度

e

s

;

t引言拾取方法，该方法通过从叠前道集中检测动校正信

h

g

i息来实现。我们首先构建一个卷积网络回归模型，将经

r

y叠加速度拾取是数据处理中的一项基本任务。传

p过NMO校正的道集映射到速度误差估计值，并使

o统上，这需要在速度谱中拾取峰值（Tanerand

c

r用预定义速度范围对网络进行训练。我们还引入了一种

oKeohler，1969），该过程非常耗时，并且高度依赖

e动校正归一化技术，将同一NMO校正道集的不同时间