三维Res-UNet和知识蒸馏相结合的断层识别方法研究

摘要

随着计算机和人工智能的发展,深度学习技术越来越多地应用于地球物理领域,多种基于浅层卷积神经网络的算法在断层识别中已得到广泛应用。本文基于深度残差网络捕获学习特征较强的优势,引入残差块替换三维UNet编码器和解码器的所有卷积层构建新的三维Res-UNet网络结构,选择合适的网络参数训练人工合成的断层样本,训练完成后保存预测模型;然后引入知识蒸馏的机制,首先将三维Res-UNet作为教师模型进行训练,然后将三维Res-UNet作为学生网络进行训练,在此过程中,教师网络处于评估模式,不参与训练,通过计算混合损失函数将教师网络模型和学生网络结合到一起预测断层,使其学习到更多的断层信息,提升网络性能,增强网络的泛化能力,最终达到优化断层识别效果的目的。理论模型测试的量化评价结果证明了知识蒸馏后的三维Res-UNet使断层识别的准确率由0.956提高到0.993,实际地震资料的应用同样验证了该方法的有效性和可行性。