提升地震相边缘和不规则体识别效果的半监督识别方法

近年来随着深度学习的快速发展和地震相识别智能化研究深入，国内外提出了多种基于深度学习的地震相识别方法。但深度学习方法需要大量标注信息学习网络参数，实际上地震数据标注成本高，困难大。鉴于此，提出半监督地震相识别方法。利用少部分标注数据训练基于语义分割网络的地震相识别模型，并用模型对未标注的数据进行类别推断。该方法可扩展训练数据集规模，降低标注成本，提高模型的准确性和泛化能力。相较于仅用有限标注数据的模型性能有显著提升。该模型采用Deeplabv3+网络，在复杂深层相带存在边缘不清晰以及类内预测不一致问题，针对该问题，提出提升地震相边缘和不规则体识别效果的半监督识别方法。该方法在Deeplabv3+编码部分引入双注意力机制改善同类预测不一致现象，同时解码部分加入了有效通道注意力模块，结合低层特征进一步改善预测目标边界不清晰问题。改进后的Deeplabv3+网络有效改善存在的问题。

地震相是特定沉积相的地震响应，能够代表产生其反射的沉积物的岩性组合、层理和沉积特征。地震相识别是根据沉积相的差异对沉积相进行分类。早期地震相识别需要解释人员结合经验和专业知识给出合理的识别结果。这一过程人工工作量巨大，导致解释效率低、结果主观性强。必须利用自动化方法减少人工解释的不确定性。

近年来，深度学习在计算机视觉领域取得巨大进展，并在地球物理领域得到了广泛应用，如初至拾取 [1]、断层识别 [2]、地震数据去噪 [3]等。深度学习的地震相识别模型主要分为两类，一类是基于图像分类的模型， 此类模型是以待分类样本为中心的小尺度(patch)数据， 将整个patch 的类标签分配给中心样本。

Chevitarese 等 [4]提出将地震剖面图像分割成大小不超于50 × 50 的小图像(patch)，每个patch 只属于一个类别， 并在AlexNet 和VGG 分类网络上训练， 达到很高准确度。

Zhao 等 [5]比较了基于patch 和基于编码器–解码器的两种模型，认为前者提供了更好的分类质量。另一类是基于语义分割方法的模型，以完整的地震剖面数据进行预测，实现了地震数据采样点的分类。Zhang 等 [6]使用Deeplabv3+语义分割网络进