.png){kind=icon}
返回
Multiarray Data Joint Super-Resolution Inversion for Electrical Resistivity Tomography
.png){kind=icon}
PRE
AI
DOI：10.1109/TGRS.2025.3639099.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在电阻率层析成像（ERT）中，不同电极排列的异常效应因地质模型而异。不同电极排列的适当组合可以优化检测性能并增强解释结果的可靠性。然而，受限于单排列数据、稀疏观测和病态问题求解，传统反演方法通常会产生低分辨率或不准确的结果。为解决ERT反演中的分辨率挑战，受多模态深度学习（DL）图像方法出色融合及非线性映射能力的启发，我们提出了超分辨率ERT融合网络（SRERTF-Net），该网络利用多排列的传统反演结果作为初始模型，高效地利用并整合先验物理信息，实现多排列数据联合超分辨率反演。在SRERTF-Net中，采用不同的下采样路径处理各类电极排列的反演结果，同时引入Inception模块以增强特征提取。此外，在路径内及路径间实施密集连接，以有效整合不同排列的互补信息，确保稳健的多模态特征融合。最后，我们设计了包含随机生成的典型结构模型和综合复杂模型的训练样本，以增强网络的实际应用性和适应性。合成数据与实测数据的实验表明，SRERTF-Net在电阻率精度、分辨率及背景性能方面优于其他方法。
Keyword:
Deep learning (DL)
electrical resistivity tomography (ERT)
inversion problem
multimodal imaging
期刊
IF:
8.6
论文数:
2.1W
被引数:
10.7W
机构
引用论文
Resolution Enhancement of Electrical Resistivity Tomography Based on Deep Learning基于深度学习的电阻率层析成像分辨率增强
.png){kind=icon}
PREAI
分享收藏Joint Physics and Data Driven Full-Waveform Inversion for Underground Dielectric Targets Imaging
PREAI
分享收藏The use of reference models from a priori data to guide 2D inversion of electrical resistivity tomography data基于a priori数据中的参考模型来指导电性电阻率层析成像数据的二维反演
OAAI
OAAI分享收藏Inception-v4, Inception-ResNet and the Impact of Residual Connections on LearningInception-v4、Inception-ResNet和剩余连接对学习的影响
OAAI
OAAI分享收藏From single- to multi-modal remote sensing imagery interpretation: a survey and taxonomy从单模态到多模态遥感影像解释: 调查和分类学OAAI
OAAI分享收藏分享收藏Deep learning inversion method of tunnel resistivity synthetic data based on modelling data基于建模数据的隧道电阻率合成数据深度学习反演方法
PREAI
分享收藏
查看更多内容