【技术实现步骤摘要】
本专利技术涉及人工智能，具体而言，尤其涉及一种基于视觉transformer的地震速度图像生成方法。
技术介绍
1、在科技快速发展的今天，人工智能已经成为最具创新的技术之一，它以其独特的优势，在教育、医疗、交通等各个领域发挥着越来越重要的作用。深度神经网络是最成功的人工智能模型之一。理论上，只要数据足够多，模型架构合理，深度神经网络可以逼近任何一个非线性函数。
2、全波形反演是一种地震成像技术，旨在通过全波形信息估计地下地质构造的物理参数分布、地球物理特性，在地下能量勘探、碳捕获和封存等各种地下应用中发挥着重要作用。本质上，全波形反演可以看成一个非线性的反演算子，这个反演算子能够将相关地震数据转化成相应的地质信息，例如生成地震速度图像。深度神经网络可以从地震数据中提取有用特征，来逼近这个反演算子，从而生成地震速度图像。这种方法并不依赖反演问题背后的物理模型，是从数据技术出发，利用机器学习方法获得地震数据和速度图像之间的关系，它能够巧妙的绕开物理方程驱动方法所面临的各种问题，已经成为一种很有前途的方法。许多基于深度神经网络的模型在反演问题中取得了突出的效果。当前研究表明基于卷积神经网络和生成对抗网络的反演模型预测速度快，精准度高，速度图像生成质量好。
3、卷积神经网络在大多数视觉任务上的成功使其成为地震速度图像生成的首选。现有的用于地震速度图像生成任务的大多数模型都基于卷积网络。然而，卷积网络的工作机制类似于图像上带有滑动核的局部注意机制，会破坏long-range关系。另外，深度卷积神经网络通常的做法是不
4、transformer是人工智能领域新兴的模型，它在许多应用领域都展现出了极大的统治力，现存的人工智能大模型基本都是基于transformer进行构建。随着视觉transformer的出现，transformer在视觉领域也取得了非常好的效果。transformer最大的优势是能够捕捉全局信息，实现long-range信息的交互，并且能够并行计算。有研究表明在目标检测、语义分割、轮廓识别这种生成问题上视觉transformer完全可以胜任，并取得不错的效果。
技术实现思路
1、根据上述提出的技术问题，提供一种基于视觉transformer的地震速度图像生成方法。本专利技术主要使用transformer构建特征提取器，能够提取全局的、细节信息丰富的特征，能够生成更加精确的地震速度图像。
2、本专利技术采用的技术手段如下：
3、一种基于视觉transformer的地震速度图像生成方法，利用基于视觉transformer的地震速度图像生成系统生成地震速度图像，包括：
4、s1、获取地震数据，并对地震数据进行预处理，得到地震数据集；
5、s2、将预处理后的地震数据集划分成训练集和测试集；
6、s3、对基于视觉transformer的地震速度图像生成系统的参数进行初始化；
7、s4、选定优化器，并设置优化器中的beta参数值；
8、s5、使用均方误差损失、均绝对误差损失、感知损失函数的组合函数作为总损失函数，对所述tfwi模型进行训练；
9、s6、训练完成后，选择需要生成地震速度图像的数量，将数据输入至训练好的地震速度图像生成系统，地震速度图像生成系统对数据进行处理，得到四个维度的地震速度图像，其中，第一个维度为生成图片的数量，第二个维度为数据的通道个数，第三个维度为图像的高度，第四个维度为图像的宽度；
10、s7、利用可视化库以及颜色渲染将地震速度图像生成系统输出的地震速度图像进行可视化；
11、所述基于视觉transformer的地震速度图像生成系统，包括tfwi模型，tfwi模型包括视觉transformer编码器和解码器，其中：
12、所述视觉transformer编码器采用非卷积化的patch方式用于提取地震数据图中的全局信息，并对全局信息进行加工；
13、所述解码器，采用1*1的卷积核实现特征在通道维度上的融合，并加入一个跳线连接，实现不同特征的融合，将提取的全局信息逐渐解码，最后生成相应的地震速度图像。
14、进一步地，所述方法还包括：
15、s8、加入内容损失，对训练后的所述tfwi模型进行优化。
16、进一步地，所述步骤s1中，对地震数据进行预处理，具体包括：
17、对获取的地震数据进行最大最小归一化处理，将地震数据取值范围转换成[-1,1]之内。
18、进一步地，所述步骤s3中，对基于视觉transformer的地震速度图像生成系统的参数进行初始化，具体包括：
19、对卷积层使用kaiming方法进行初始化，对线性层使用xavier方法进行初始化，对bn层采用默认的初始化方法进行初始化，将权重衰减因子设置为0.0001，初始化学习率为0.002，学习率预热465个批次，训练时长设置为200个epoch，编码器部分的dropout设置为0.1。
20、进一步地，所述步骤s8中，加入内容损失，对训练后的基于视觉transformer的地震速度图像生成系统进行优化，具体包括：
21、将生成的地震速度数据通过deepwave来生成相应的地震数据，使用欧几里得距离衡量生成的地震数据与原有的地震数据的距离，进一步优化tfwi模型的参数，先将视觉transformer编码器的参数冻住，优化解码器的参数，再将解码器的参数冻住，优化视觉transformer编码器的参数。
22、较现有技术相比，本专利技术具有以下优点：
23、1、本专利技术提供的基于视觉transformer的地震速度图像生成方法，通过将视觉transformer引入到全波形反演问题中，可以获取地震数据的全局信息，提高图片生成质量和效果。
24、2、本专利技术提供的基于视觉transformer的地震速度图像生成方法，其基于视觉transformer的地震速度图像生成系统的预测速度非常快，能够实现大规模地震速度图像预测，提高了效率。
25、3、本专利技术提供的基于视觉transformer的地震速度图像生成方法，只需要将相应的地震数据直接送入到模型中进行训练即可，训练完成后就可以直接进行相应的预测，不需要具备太多地球物理方面的知识和数学方法，对于一个对全波形反演完全外行的人来说，只要按照本专利技术的训练流程，就可以利用训练好的模型生成地震速度图像。
26、4、本专利技术提供的基于视觉transformer的地震速度图像生成方法，可以用于其他数据集上的地震速度图像生成，使用训练好的模型，只需要利用相应数据进行微调，模型就可以产生不错的工作效果，提升了泛化能力。
27、5、本专利技术提供的基于视觉transform本文档来自技高网...
【技术保护点】
1.一种基于视觉Transformer的地震速度图像生成方法，其特征在于，利用基于视觉Transformer的地震速度图像生成系统生成地震速度图像，包括：
2.根据权利要求1所述的一种基于视觉Transformer的地震速度图像生成方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的一种基于视觉Transformer的地震速度图像生成方法，其特征在于，步骤S1中，对地震数据进行预处理，具体包括：
4.根据权利要求1所述的一种基于视觉Transformer的地震速度图像生成方法，其特征在于，步骤S3中，对基于视觉Transformer的地震速度图像生成系统的参数进行初始化，具体包括：
5.根据权利要求2所述的一种基于视觉Transformer的地震速度图像生成方法，其特征在于，步骤S8中，加入内容损失，对训练后的基于视觉Transformer的地震速度图像生成系统进行优化，具体包括：
【技术特征摘要】
1.一种基于视觉transformer的地震速度图像生成方法，其特征在于，利用基于视觉transformer的地震速度图像生成系统生成地震速度图像，包括：
2.根据权利要求1所述的一种基于视觉transformer的地震速度图像生成方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的一种基于视觉transformer的地震速度图像生成方法，其特征在于，步骤s1中，对地震数据进行预处理，具体...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。