.png){kind=icon}
返回
Low-Frequency Extrapolating Transformer
.png){kind=icon}
PRE
AI
DOI：10.1111/1365-2478.70194.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
低频缺失在地震数据中可能会影响垂向分辨率、复杂结构成像和全波形反演（FWI）的收敛性。缺失低频分量的外推任务是一个强非线性问题，可以通过深度学习（DL）解决，因其具有强大的非线性映射能力。同时，低频外推可视为全局波形变换，其中全局特征有助于提高基于DL的低频外推方法的准确性和泛化能力。因此，我们提出了一种面向捕获更多全局特征的Transformer网络，称为低频外推Transformer（LFET），用于外推地震数据中缺失的低频分量。据我们所知，这是首次将Transformer模型应用于低频外推任务。该提出的LFET由八个依次连接的Transformer块（TBs）组成，通过核心操作：多头自注意力（MSA）提取上下文和全局信息。此外，我们将滑动窗口划分策略引入LFET，从而减轻计算负担，几乎不影响全局特征的捕获。在实验部分，我们使用多个合成和实地记录来测试LFET的有效性。我们的方法在三种基于卷积的竞争方法中表现出更好的外推性能，且训练和测试时间成本更低。此外，在讨论部分，使用基准模型初步展示了LFET在提高FWI收敛性方面的潜在应用。
Keyword:
deep learning
low-frequency extrapolation
signal processing
Transformer
期刊
G
IF:
1.8
论文数:
112
被引数:
6.0K
机构
.png){kind=icon}
查看更多内容