.png){kind=icon}
返回
Three-Dimensional Magnetotelluric Forward Modeling Using Multi-Task Deep Learning with Branch Point Selection
.png){kind=icon}
OA
AI
DOI：10.3390/rs17040713.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大地电磁测深（MT）正演建模是一种关键技术，而深度学习已被广泛应用于MT正演建模。在三维（3-D）问题中，尽管现有方法能够以高精度预测正演建模结果，但它们通常使用多个网络来模拟多个正演建模参数，导致效率低下。我们将多任务学习（MTL）应用于3-D MT正演建模，以实现视电阻率和阻抗相位的同时推断，有效提高了整体效率。此外，通过比较网络不同解码器层中特征图的差异，我们确定了多任务学习解码器的最佳分支点。这增强了网络的特征提取能力，并提高了正演建模参数的预测精度。另外，我们引入了一种基于不确定性的损失函数，以动态平衡任务间的学习权重，解决了传统损失函数的不足。实验表明，与单任务网络和现有的多任务网络相比，所提出的网络（MT-FeatureNet）在结构相似性指数度量（SSIM）、平均相对误差（MRE）和平均绝对误差（MAE）方面均取得了最佳结果。所提出的多任务学习模型不仅提高了3-D MT正演建模的效率和精度，还为多任务学习网络结构的设计提供了一种新颖的方法。
Keyword:
magnetotelluric
forward modeling
multi-task learning
uncertainty-based loss function
期刊
IF:
4.1
论文数:
7.5K
被引数:
15.1W
机构
引用论文
Hybrid mesh for magnetotelluric forward modeling based on the finite element method.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏Electrically Conductive Crust in Southern Tibet from INDEPTH Magnetotelluric SurveyingScience
ScienceIF0
PREAI
分享收藏A CMMOG-based lithium-battery SOH estimation method using multi-task learning framework基于多任务学习框架的CMMOG锂电池SOH估计方法
PREAI
分享收藏Novel accurate and scalable 3-D MT forward solver based on a contracting integral equation methodOAAI
OAAI分享收藏Physics-driven deep-learning inversion with application to transient electromagneticsGEOPHYSICS
GEOPHYSICSIF3.2
PREAI
分享收藏Magnetotelluric Deep Learning Forward Modeling and Its Application in Inversion大地电磁深度学习正演模拟及其在反演中的应用OAAI
OAAI分享收藏
查看更多内容