भूकंपीय आंकड़ों के आधार पर तंत्रिका नेटवर्क के साथ प्रयोग

भूकंपीय आंकड़ों की व्याख्या की जटिलता इस तथ्य के कारण है कि प्रत्येक कार्य के लिए एक व्यक्तिगत दृष्टिकोण की तलाश करना आवश्यक है, क्योंकि इस तरह के डेटा का प्रत्येक सेट अद्वितीय है। मैनुअल प्रोसेसिंग के लिए महत्वपूर्ण श्रम लागत की आवश्यकता होती है, और परिणाम में अक्सर मानव कारक से संबंधित त्रुटियां होती हैं। व्याख्या के लिए तंत्रिका नेटवर्क का उपयोग मैन्युअल श्रम को काफी कम कर सकता है, लेकिन डेटा की विशिष्टता इस काम के स्वचालन पर प्रतिबंध लगाती है।

यह लेख उदाहरण के रूप में उत्तरी सागर से पूरी तरह से लेबल डेटा का उपयोग करके 2 डी छवियों में भूवैज्ञानिक परतों के आवंटन को स्वचालित करने के लिए तंत्रिका नेटवर्क की प्रयोज्यता का विश्लेषण करने के लिए एक प्रयोग का वर्णन करता है।


चित्र 1. एक्वाटोरियल भूकंपीय सर्वेक्षण ( स्रोत )

विषय क्षेत्र के बारे में थोड़ा

भूकंपीय अन्वेषण लोचदार कंपन - भूकंपीय तरंगों का उपयोग करके भूगर्भीय वस्तुओं के अध्ययन के लिए एक भूभौतिकीय विधि है। यह विधि इस तथ्य पर आधारित है कि भूकंपीय तरंगों की प्रसार गति भूगर्भीय वातावरण के गुणों पर निर्भर करती है जिसमें वे (चट्टान की संरचना, छिद्र, फ्रैक्चर, नमी संतृप्ति, आदि) का प्रसार करते हैं। विभिन्न गुणों के साथ भूवैज्ञानिक परतों से गुजरना, भूकंपीय तरंगों से परिलक्षित होता है। विभिन्न वस्तुओं और रिसीवर पर वापस लौटा (चित्र 1 देखें)। उनकी प्रकृति दर्ज की जाती है और प्रसंस्करण के बाद आपको दो आयामी छवि बनाने की अनुमति मिलती है - एक भूकंपीय खंड, या तीन आयामी डेटा सरणी - एक भूकंपीय घन।


चित्र 2. भूकंपीय घन ( स्रोत ) का एक उदाहरण

भूकंपीय घन का क्षैतिज अक्ष पृथ्वी की सतह के साथ स्थित है, और ऊर्ध्वाधर गहराई या समय का प्रतिनिधित्व करता है (चित्र 2 देखें)। कुछ मामलों में, क्यूब को जियोफोन की धुरी के साथ ऊर्ध्वाधर वर्गों में विभाजित किया जाता है (तथाकथित इनलाइन, इनलाइन) या उस पार (क्रॉसलाइन, क्रॉसलाइन, xlines)। प्रत्येक क्यूब वर्टिकल (और स्लाइस) एक अलग भूकंपीय निशान है।

इस प्रकार, इनलाइन और क्रॉसलाइन्स में एक ही भूकंपीय ट्रेल्स होते हैं, केवल एक अलग क्रम में। आसन्न भूकंपीय मार्ग एक-दूसरे से बहुत मिलते-जुलते हैं। गलती बिंदुओं पर अधिक नाटकीय परिवर्तन होता है, लेकिन अभी भी समानताएं होंगी। इसका मतलब यह है कि पड़ोसी स्लाइस एक दूसरे के समान हैं।

प्रयोगों की योजना बनाते समय यह सब ज्ञान हमारे लिए उपयोगी होगा।

व्याख्या कार्य और इसके समाधान में तंत्रिका नेटवर्क की भूमिका

प्राप्त आंकड़ों को मैन्युअल रूप से उन दुभाषियों द्वारा संसाधित किया जाता है जो सीधे क्यूब पर या प्रत्येक स्लाइस में चट्टानों की अपनी व्यक्तिगत भूवैज्ञानिक परतों और उनकी सीमाओं (क्षितिज, क्षितिज), नमक जमा, दोष और अध्ययन क्षेत्र की भूवैज्ञानिक संरचना की अन्य विशेषताओं की पहचान करते हैं। दुभाषिया, क्यूब या स्लाइस के साथ काम करते हुए, भूगर्भीय परतों और क्षितिज के श्रमसाध्य मैनुअल चयन के साथ अपना काम शुरू करता है। कर्सर को इंगित करके और माउस को क्लिक करके प्रत्येक क्षितिज को मैन्युअल रूप से (अंग्रेज़ी "पिकिंग" - संग्रह) से देखा जाना चाहिए।


चित्रा 3. एक 2D स्लाइस (बाएं) का उदाहरण और संबंधित भूवैज्ञानिक परतों (दाएं) ( स्रोत ) के अंकन का परिणाम

मुख्य समस्या बढ़ती जटिल भूगर्भीय परिस्थितियों (उदाहरण के लिए, समुद्र की महान गहराई के साथ पानी के नीचे वाले खंड), और इन आंकड़ों की व्याख्या की अस्पष्टता के तहत हर साल प्राप्त भूकंपीय आंकड़ों की बढ़ती मात्रा से जुड़ी है। इसके अलावा, तंग समय सीमा और / या बड़े संस्करणों की शर्तों के तहत, दुभाषिया अनिवार्य रूप से गलतियां करता है, उदाहरण के लिए, भूवैज्ञानिक अनुभाग की विभिन्न विशेषताओं को याद करता है।

तंत्रिका नेटवर्क की मदद से इस समस्या को आंशिक रूप से हल किया जा सकता है, मैन्युअल श्रम को काफी कम कर सकता है, जिससे व्याख्या प्रक्रिया में तेजी आ सकती है और त्रुटियों की संख्या कम हो सकती है। तंत्रिका नेटवर्क के संचालन के लिए, एक निश्चित संख्या में तैयार, लेबल किए गए वर्गों (क्यूब के वर्गों) की आवश्यकता होती है, और परिणामस्वरूप सभी वर्गों (या संपूर्ण क्यूब) का एक पूरा अंकन प्राप्त किया जाएगा, जिसे आदर्श रूप से क्षितिज के कुछ वर्गों को समायोजित करने या छोटे क्षेत्रों को फिर से चिह्नित करने के लिए किसी व्यक्ति द्वारा मामूली शोधन की आवश्यकता होगी। नेटवर्क सही से पहचान नहीं सका।

तंत्रिका नेटवर्क का उपयोग करके व्याख्या की समस्याओं के कई समाधान हैं, यहां कुछ उदाहरण दिए गए हैं: एक , दो , तीन । कठिनाई इस तथ्य में निहित है कि प्रत्येक डेटा सेट अद्वितीय है - अध्ययन क्षेत्र के भूवैज्ञानिक चट्टानों की ख़ासियत के कारण, विभिन्न तकनीकी साधनों और भूकंपीय अन्वेषण के तरीकों के कारण, क्योंकि विभिन्न तरीकों से रेडीमेड लोगों के लिए कच्चे डेटा का उपयोग किया जाता था। यहां तक ​​कि बाहरी शोर (उदाहरण के लिए, एक कुत्ते की भौंकने और अन्य तेज़ आवाज़) के कारण, जिन्हें पूरी तरह से निकालना हमेशा संभव नहीं होता है। इसलिए, प्रत्येक कार्य को व्यक्तिगत रूप से हल करना होगा।

लेकिन, इसके बावजूद, कई कार्य व्याख्या की विभिन्न समस्याओं को हल करने के लिए अलग-अलग सामान्य दृष्टिकोणों के लिए टटोलना संभव बनाते हैं।

हम MaritimeAI (एक प्रोजेक्ट जो सोशल गुड्स ODS समुदाय के लिए मशीन लर्निंग से विकसित किया गया है , हमारे बारे में हमारे क्षेत्र के प्रत्येक क्षेत्र के लिए एक लेख ) (समुद्री अनुसंधान) अध्ययन पहले से ही प्रकाशित काम करता है और हमारे स्वयं के प्रयोगों का संचालन करता है, जिससे हमें कुछ के आवेदन की सीमाओं और विशेषताओं को स्पष्ट करने की अनुमति मिलती है। समाधान, और कभी-कभी अपने स्वयं के दृष्टिकोण पाते हैं।

एक प्रयोग के परिणाम हम इस लेख में बताते हैं।

व्यवसाय अनुसंधान लक्ष्य

डेटा विज्ञान विशेषज्ञ के लिए राहत की सांस लेने के लिए चित्र 3 पर एक नज़र डालना - सिमेंटिक इमेज सेगमेंटेशन का एक सामान्य कार्य है, जिसके लिए कई तंत्रिका नेटवर्क आर्किटेक्चर और शिक्षण विधियों का आविष्कार किया गया है। आपको बस सही चुनने और नेटवर्क को प्रशिक्षित करने की आवश्यकता है।

लेकिन इतना सरल नहीं है।

तंत्रिका नेटवर्क की मदद से एक अच्छा परिणाम प्राप्त करने के लिए, आपको यथासंभव पहले से ही चिह्नित डेटा की आवश्यकता होती है, जिस पर वह सीखेगा। लेकिन हमारा काम मैनुअल काम की मात्रा को कम करने के लिए ठीक है। और भूवैज्ञानिक संरचना में उनके मजबूत मतभेदों के कारण अन्य क्षेत्रों से टैग किए गए डेटा का उपयोग करना बहुत कम संभव है।

हम ऊपर का अनुवाद व्यापार की भाषा में करते हैं।

आर्थिक रूप से न्यायसंगत होने के लिए तंत्रिका नेटवर्क के उपयोग के लिए, प्राथमिक मैनुअल व्याख्या की मात्रा को कम करना और प्राप्त परिणामों को परिष्कृत करना आवश्यक है। लेकिन नेटवर्क को प्रशिक्षित करने के लिए डेटा को कम करना इसके परिणाम की गुणवत्ता को नकारात्मक रूप से प्रभावित करेगा। तो क्या एक तंत्रिका नेटवर्क दुभाषियों के काम को गति दे सकता है और सुविधा प्रदान कर सकता है और लेबल की गई छवियों की गुणवत्ता में सुधार कर सकता है? या सिर्फ सामान्य प्रक्रिया को जटिल?

इस अध्ययन का उद्देश्य एक तंत्रिका नेटवर्क के लिए चिह्नित भूकंपीय क्यूब डेटा की न्यूनतम पर्याप्त मात्रा निर्धारित करने और प्राप्त परिणामों का मूल्यांकन करने का प्रयास है। हमने निम्नलिखित प्रश्नों के उत्तर खोजने की कोशिश की, जो मैनुअल या आंशिक रूप से स्वचालित व्याख्या पर निर्णय लेने में भूकंपीय सर्वेक्षण के परिणामों के "मालिकों" की मदद करनी चाहिए:

1. तंत्रिका नेटवर्क के प्रशिक्षण के लिए विशेषज्ञों को कितने डेटा की आवश्यकता होती है? और इसके लिए क्या डेटा चुना जाना चाहिए?
2. ऐसे आउटपुट में क्या होता है? क्या तंत्रिका नेटवर्क भविष्यवाणियों के मैनुअल शोधन की आवश्यकता होगी? यदि हां, तो जटिल और बड़ा कैसे?

प्रयोग और उपयोग किए गए डेटा का सामान्य विवरण

प्रयोग के लिए, हमने व्याख्या समस्याओं में से एक का चयन किया, अर्थात्, भूकंपीय क्यूब के 2 डी खंडों पर भूवैज्ञानिक परतों को अलग करने का कार्य (चित्र 3 देखें)। हमने पहले ही इस समस्या को हल करने की कोशिश की है ( यहां देखें) और, लेखकों के अनुसार, यादृच्छिक रूप से चयनित स्लाइस के 1% के लिए एक अच्छा परिणाम मिला। घन की मात्रा को देखते हुए, ये 16 छवियां हैं। हालांकि, लेख तुलना के लिए मैट्रिक्स प्रदान नहीं करता है और इसमें प्रशिक्षण पद्धति (हानि फ़ंक्शन, ऑप्टिमाइज़र, सीखने की गति बदलने की योजना, आदि) का कोई विवरण नहीं है, जो प्रयोग को अपूरणीय बनाता है।

इसके अलावा, हमारी राय में, प्रस्तुत किए गए परिणाम, सामने आए प्रश्नों के पूर्ण उत्तर प्राप्त करने के लिए अपर्याप्त हैं। क्या यह मूल्य 1% पर इष्टतम है? या शायद स्लाइस के एक और नमूने के लिए यह अलग होगा? क्या मैं कम डेटा का चयन कर सकता हूं? क्या यह अधिक लेने के लायक है? कैसे बदलेगा रिजल्ट? आदि

प्रयोग के लिए, हमने उत्तरी सागर के डच क्षेत्र से पूरी तरह से लेबल किए गए डेटा का एक ही सेट लिया। स्रोत भूकंपीय डेटा खुले भूकंपीय भंडार पर उपलब्ध हैं: प्रोजेक्ट नीदरलैंड ऑफ़शोर एफ 3 ब्लॉक वेबसाइट। सिल्वा एट अल में एक संक्षिप्त विवरण पाया जा सकता है । "नीदरलैंड डेटासेट: भूकंपीय व्याख्या में मशीन लर्निंग के लिए एक नया सार्वजनिक डेटासेट । "

चूंकि हमारे मामले में हम 2 डी स्लाइस के बारे में बात कर रहे हैं, इसलिए हमने मूल 3 डी क्यूब का उपयोग नहीं किया, लेकिन पहले से ही बनाया गया "स्लाइसिंग" यहां उपलब्ध है: नीदरलैंड एफ 3 इंटरप्रिटेशन डेटासैट ।

प्रयोग के दौरान, हमने निम्नलिखित कार्य हल किए:

1. हमने स्रोत डेटा को देखा और स्लाइस का चयन किया, जो गुणवत्ता में मैनुअल मार्किंग के सबसे करीब हैं।
2. हमने तंत्रिका नेटवर्क, कार्यप्रणाली और प्रशिक्षण के मापदंडों और प्रशिक्षण और सत्यापन के लिए स्लाइस के चयन के सिद्धांत को दर्ज किया।
3. हमने परिणामों की तुलना करने के लिए एक ही प्रकार के स्लाइस के विभिन्न डेटा संस्करणों पर 20 समान तंत्रिका नेटवर्क को प्रशिक्षित किया।
4. हमने परिणामों की तुलना करने के लिए विभिन्न प्रकार के स्लाइस के विभिन्न डेटा पर एक और 20 तंत्रिका नेटवर्क को प्रशिक्षित किया।
5. पूर्वानुमान परिणामों के आवश्यक मैनुअल परिशोधन की मात्रा का अनुमान लगाया।

अनुमानित मास्क के रूप में प्रयोग के परिणाम और स्लाइस मास्क के नेटवर्क द्वारा भविष्यवाणी की गई है।

कार्य 1. डेटा चयन

इसलिए, प्रारंभिक डेटा के रूप में, हमने उत्तरी सागर के डच क्षेत्र से भूकंपीय क्यूब के तैयार इनलाइन और क्रॉसलाइन का उपयोग किया। एक विस्तृत विश्लेषण से पता चला कि सब कुछ सुचारू रूप से नहीं चल रहा है - कलाकृतियों और यहां तक ​​कि गंभीर रूप से विकृत लोगों के साथ कई चित्र और मुखौटे हैं (देखें आंकड़े 4 और 5)।


चित्रा 4. कलाकृतियों के साथ उदाहरण मुखौटा


चित्र 5. विकृत मुखौटा का एक उदाहरण

मैनुअल मार्किंग के साथ, इस प्रकार का कुछ भी नहीं देखा जाएगा। इसलिए, इंटरप्रेटर के काम का अनुकरण करते हुए, नेटवर्क को प्रशिक्षित करने के लिए, हमने केवल स्वच्छ मुखौटे को चुना, सभी स्लाइस को देखा। नतीजतन, 700 क्रॉसलाइन और 400 इनलाइन का चयन किया गया था।

कार्य 2. प्रयोग के मापदंडों को ठीक करना

यह खंड ब्याज का है, सबसे पहले, डेटा साइंस के विशेषज्ञों के लिए, इसलिए, उपयुक्त शब्दावली का उपयोग किया जाएगा।

चूंकि इनलाइन और क्रॉसलाइंस में एक ही भूकंपीय निशान होते हैं, इसलिए दो परस्पर अनन्य परिकल्पनाओं को सामने रखा जा सकता है:

1. प्रशिक्षण केवल विलंबित चयन के रूप में दूसरे प्रकार की छवियों का उपयोग करके केवल एक प्रकार के स्लाइस (उदाहरण के लिए, इनलाइन) पर किया जा सकता है। यह परिणाम का अधिक पर्याप्त मूल्यांकन देगा, क्योंकि उसी प्रकार के शेष स्लाइस जो प्रशिक्षण में उपयोग किए गए थे, वे अभी भी प्रशिक्षण वाले के समान होंगे।
2. प्रशिक्षण के लिए, विभिन्न प्रकार के स्लाइस के मिश्रण का उपयोग करना बेहतर होता है, क्योंकि यह एक तैयार किए गए वृद्धि है।

इसे देखें।

इसके अलावा, एक ही प्रकार के पड़ोसी स्लाइस की समानता और एक प्रतिलिपि प्रस्तुत करने योग्य परिणाम प्राप्त करने की इच्छा ने हमें प्रशिक्षण और मान्यता के लिए स्लाइस चुनने के लिए एक रणनीति का नेतृत्व किया, न कि एक मनमाना सिद्धांत द्वारा, बल्कि पूरे घन में, अर्थात्। ताकि स्लाइस यथासंभव अलग हो जाएं, और इसलिए डेटा की अधिकतम विविधता को कवर करें।

सत्यापन के लिए, 2 स्लाइस का उपयोग किया गया था, प्रशिक्षण नमूने के आसन्न छवियों के बीच समान रूप से वितरित किया गया। उदाहरण के लिए, 3 इनलाइनों के प्रशिक्षण नमूने के मामले में, सत्यापन नमूने में क्रमशः 4 स्लाइसों के 3 इनलाइनों और 3 क्रॉसलाइनों के लिए 4 इनलाइनों का समावेश था।

परिणामस्वरूप, हमने 2 श्रृंखलाओं का प्रशिक्षण दिया:

1. शेष इनलाइनों पर और सभी क्रॉसलाइनों पर नेटवर्क भविष्यवाणियों के परिणाम के सत्यापन के साथ 3 से 20 स्लाइस में समान रूप से वितरित किए गए इनलाइनों के नमूनों पर प्रशिक्षण। इसके अतिरिक्त, प्रशिक्षण 80 और 160 वर्गों पर आयोजित किया गया था।
2. शेष छवियों में नेटवर्क अनुमानों के परिणाम के सत्यापन के साथ प्रत्येक प्रकार के स्लाइस के घन भर में वितरित किए गए 3-10 के इनलाइन और क्रॉसलाइन से संयुक्त नमूनों में प्रशिक्षण। इसके अतिरिक्त, प्रशिक्षण 40 + 40 और 80 + 80 वर्गों पर आयोजित किया गया था।

इस दृष्टिकोण के साथ, यह ध्यान में रखना आवश्यक है कि प्रशिक्षण और सत्यापन के नमूनों के आकार में काफी भिन्नता है, जो तुलना को जटिल करता है, लेकिन शेष छवियों की मात्रा इतनी कम नहीं होती है कि इसका उपयोग परिणाम में परिवर्तनों का पर्याप्त रूप से आकलन करने के लिए किया जा सके।

प्रशिक्षण के नमूने के लिए छंटनी को कम करने के लिए, 0.58 की संभावना के साथ ऊर्ध्वाधर अक्ष के साथ मनमाना फसल आकार 448x64 और दर्पण छवि के साथ वृद्धि का उपयोग किया गया था।

चूंकि हम प्रशिक्षण के नमूने में केवल स्लाइस की संख्या पर परिणाम की गुणवत्ता की निर्भरता में रुचि रखते हैं, इसलिए छवियों के पूर्वप्रयोग की उपेक्षा की जा सकती है। हमने बिना किसी बदलाव के PNG छवियों की एक परत का उपयोग किया।

इसी कारण से, इस प्रयोग के ढांचे के भीतर, सर्वश्रेष्ठ नेटवर्क वास्तुकला की तलाश करने की कोई आवश्यकता नहीं है - मुख्य बात यह है कि यह हर कदम पर समान है। हमने ऐसे कार्यों के लिए एक सरल लेकिन अच्छी तरह से स्थापित यूनेट को चुना:


चित्रा 6. नेटवर्क वास्तुकला

नुकसान समारोह में जेकक्वार्ड गुणांक और बाइनरी क्रॉस-एन्ट्रॉपी का संयोजन शामिल था:

def jaccard_loss(y_true, y_pred): smoothing = 1. intersection = tf.reduce_sum(y_true * y_pred, axis = (1, 2)) union = tf.reduce_sum(y_true + y_pred, axis = (1, 2)) jaccard = (intersection + smoothing) / (union - intersection + smoothing) return 1. - tf.reduce_mean(jaccard) def loss(y_true, y_pred): return 0.75 * jaccard_loss(y_true, y_pred) + 0.25 * keras.losses.binary_crossentropy(y_true, y_pred) 

अन्य सीखने के विकल्प:

 keras.optimizers.SGD(lr = 0.01, momentum = 0.9, nesterov = True) keras.callbacks.EarlyStopping(monitor = 'val_loss', patience = 10), keras.callbacks.ReduceLROnPlateau(monitor = 'val_loss', patience = 5) 

परिणामों पर प्रारंभिक भार की यादृच्छिकता के प्रभाव को कम करने के लिए, नेटवर्क को 1 युग के लिए 3 इनलाइनों पर प्रशिक्षित किया गया था। अन्य सभी प्रशिक्षण प्राप्त इन वजन के साथ शुरू हुआ।

प्रत्येक नेटवर्क को GeForce GTX 1060 6Gb पर 30-60 युगों के लिए प्रशिक्षित किया गया था। नमूने के आकार के आधार पर प्रत्येक युग के प्रशिक्षण में 10-30 सेकंड लगते हैं।

टास्क 3. एक प्रकार के स्लाइस पर प्रशिक्षण (इनलाइन)

पहली श्रृंखला में 3-20 इंलाइन पर 18 स्वतंत्र नेटवर्क प्रशिक्षण शामिल थे। और, हालांकि हम केवल प्रशिक्षण और सत्यापन में उपयोग किए जाने वाले स्लाइस पर जैक्वार्ड गुणांक का अनुमान लगाने में रुचि रखते हैं, यह सभी रेखांकन पर विचार करना दिलचस्प है।

याद रखें कि प्रत्येक स्लाइस के लिए व्याख्या परिणाम 10 कक्षाएं (भूगर्भीय परतें) हैं, जो आंकड़े में 0 से 9 तक संख्याओं के साथ चिह्नित हैं।


चित्रा 7. प्रशिक्षण सेट के लिए जैकक्वार्ड गुणांक


चित्रा 8. सत्यापन के नमूने के लिए जैकक्वार्ड गुणांक


चित्रा 9. शेष कृतियों के लिए जैकक्वार्ड गुणांक


चित्रा 10. क्रॉसक्लाइन्स के लिए जैकक्वार्ड गुणांक

उपरोक्त आरेखों से कई निष्कर्ष निकाले जा सकते हैं।

सबसे पहले, पूर्वानुमान गुणवत्ता, जिसे जैक्वार्ड गुणांक द्वारा मापा जाता है, पहले से ही 9 इनलाइन पर बहुत अधिक मूल्य तक पहुंच जाता है, जिसके बाद यह बढ़ना जारी है, लेकिन इतनी गहनता से नहीं। यानी एक तंत्रिका नेटवर्क के प्रशिक्षण के लिए छोटी संख्या में लेबल की गई छवियों की पर्याप्तता की परिकल्पना की पुष्टि की जाती है।

दूसरे, क्रॉसलाइन के लिए एक बहुत ही उच्च परिणाम प्राप्त किया गया था, इस तथ्य के बावजूद कि केवल इनलाइन का उपयोग प्रशिक्षण और सत्यापन के लिए किया गया था - केवल एक प्रकार के स्लाइस की पर्याप्तता की परिकल्पना भी पुष्टि की जाती है। हालांकि, अंतिम निष्कर्ष के लिए, आपको इनलाइन और क्रॉसलाइन के मिश्रण पर प्रशिक्षण के साथ परिणामों की तुलना करने की आवश्यकता है।

तीसरा, विभिन्न परतों के लिए मीट्रिक, अर्थात। उनकी मान्यता की गुणवत्ता बहुत अलग है। यह एक अलग सीखने की रणनीति चुनने का विचार करता है, उदाहरण के लिए, कमजोर वर्गों के लिए वजन या अतिरिक्त नेटवर्क का उपयोग करके, या एक पूर्ण "एक बनाम सभी" योजना।

और अंत में, यह ध्यान दिया जाना चाहिए कि जैक्वार्ड गुणांक परिणाम की गुणवत्ता का पूरा विवरण नहीं दे सकता है। इस मामले में नेटवर्क भविष्यवाणियों का मूल्यांकन करने के लिए, दुभाषियों द्वारा संशोधन के लिए उनकी उपयुक्तता का मूल्यांकन करने के लिए मास्क को स्वयं देखना बेहतर है।

निम्नलिखित आंकड़े 10 इनलाइनों पर प्रशिक्षित नेटवर्क द्वारा मार्कअप दिखाते हैं। दूसरा स्तंभ, "जीटी मास्क" (ग्राउंड ट्रूथ मास्क) के रूप में चिह्नित, लक्ष्य व्याख्या का प्रतिनिधित्व करता है, तीसरा तंत्रिका नेटवर्क की भविष्यवाणी है।



चित्रा 11. inlines के लिए नेटवर्क पूर्वानुमान के उदाहरण



चित्रा 12. क्रॉसलाइन के लिए नेटवर्क पूर्वानुमान के उदाहरण

यह उन आंकड़ों से देखा जा सकता है, जो काफी साफ-सुथरे मास्क के साथ-साथ नेटवर्क को जटिल मामलों को पहचानने में भी मुश्किल है। इस प्रकार, 10 स्लाइस के लिए पर्याप्त पर्याप्त मीट्रिक के बावजूद, परिणामों के हिस्से को महत्वपूर्ण शोधन की आवश्यकता होगी।

हमारे द्वारा माना गया नमूना आकार कुल डेटा मात्रा का लगभग 1% उतार-चढ़ाव करता है - और यह पहले से ही शेष स्लाइस के हिस्से को काफी अच्छी तरह से चिह्नित करना संभव बनाता है। क्या मुझे शुरू में चिह्नित वर्गों की संख्या बढ़ानी चाहिए? क्या इससे गुणवत्ता में तुलनात्मक वृद्धि होगी?

आइए 5, 10, 15, 20, 80 (कुल घन मात्रा का 5%) और 160 (10%) इनलाइन पर एक उदाहरण के रूप में उपयोग किए गए नेटवर्क द्वारा पूर्वानुमान परिणामों में परिवर्तन की गतिशीलता पर विचार करें।


चित्रा 13. प्रशिक्षण नमूने के विभिन्न संस्करणों पर प्रशिक्षित नेटवर्क के पूर्वानुमान के उदाहरण

चित्र 13 से पता चलता है कि प्रशिक्षण के नमूने की मात्रा में 5 या 10 गुना की वृद्धि से एक महत्वपूर्ण सुधार नहीं होता है। 10 प्रशिक्षण छवियों में पहले से ही अच्छी तरह से पहचाने जाने वाले स्लाइस खराब नहीं होते हैं।

इस प्रकार, छवियों के समायोजन और पूर्व-प्रसंस्करण के बिना भी एक सरल नेटवर्क स्लाइस के कुछ हिस्सों को मैन्युअल रूप से चिह्नित छवियों की एक छोटी संख्या के साथ पर्याप्त रूप से उच्च गुणवत्ता के साथ व्याख्या करने में सक्षम है। हम इस तरह की व्याख्याओं की हिस्सेदारी और खराब मान्यता प्राप्त स्लाइस को अंतिम रूप देने की जटिलता पर विचार करेंगे।

वास्तुकला, नेटवर्क मापदंडों और प्रशिक्षण का सावधानीपूर्वक चयन, छवि प्रीप्रोसेसिंग इन परिणामों को टैग किए गए डेटा की समान मात्रा में सुधार कर सकते हैं। लेकिन यह पहले से ही मौजूदा प्रयोग के दायरे से परे है।

कार्य 4. विभिन्न प्रकार के स्लाइस (इनलाइन और क्रॉसलाइन्स) पर प्रशिक्षण

अब इस श्रृंखला के परिणामों की तुलना इनलाइन और क्रॉसलाइन्स के मिश्रण पर प्रशिक्षण द्वारा प्राप्त पूर्वानुमानों से करें।

नीचे दिए गए आरेख पिछले श्रृंखला के परिणामों की तुलना में विभिन्न नमूनों के लिए जैक्वार्ड गुणांक के अनुमान दिखाते हैं। तुलना के लिए (आंकड़ों में सही आरेख देखें), केवल उसी मात्रा के नमूने लिए गए थे, अर्थात्। 10 इनलाइन बनाम 5 इंलाइन + 5 क्रॉसलाइन्स इत्यादि।


चित्र 14. प्रशिक्षण सेट के लिए जैकक्वार्ड गुणांक


चित्रा 15. सत्यापन नमूने के लिए जैकक्वार्ड गुणांक


चित्र 16. शेष कड़ियों के लिए जैक्वार्ड गुणांक


चित्र 17. शेष क्रॉसलाइन्स के लिए जैक्वार्ड गुणांक

चित्र स्पष्ट रूप से स्पष्ट करते हैं कि एक अलग प्रकार के स्लाइस को जोड़ने से परिणामों में सुधार नहीं होता है। यहां तक ​​कि कक्षाओं के संदर्भ में (चित्र 18 देखें), किसी भी नमूने के आकार के लिए क्रॉस-लाइनों का प्रभाव नहीं देखा गया है।


चित्रा 18. विभिन्न वर्गों (एक्स अक्ष के साथ) और प्रशिक्षण नमूने के विभिन्न आकारों और रचना के लिए जैक्वार्ड गुणांक

तस्वीर को पूरा करने के लिए, हम एक ही स्लाइस पर नेटवर्क पूर्वानुमान के परिणामों की तुलना करते हैं:


चित्रा 19. इनलाइन के लिए नेटवर्क पूर्वानुमान की तुलना


चित्र 20. क्रॉसलाइन के लिए नेटवर्क पूर्वानुमानों की तुलना

एक दृश्य तुलना इस धारणा की पुष्टि करती है कि प्रशिक्षण में विभिन्न प्रकार के स्लाइस को जोड़ने से स्थिति में मौलिक परिवर्तन नहीं होता है। कुछ सुधार केवल बाएं क्रॉसलाइन के लिए देखे जा सकते हैं, लेकिन क्या वे वैश्विक हैं? हम इस प्रश्न का उत्तर आगे देने का प्रयास करेंगे।

कार्य 5. मैनुअल शोधन की मात्रा का आकलन

परिणामों पर अंतिम निष्कर्ष के लिए, प्राप्त नेटवर्क पूर्वानुमानों के मैनुअल शोधन की मात्रा का अनुमान लगाना आवश्यक है। ऐसा करने के लिए, हमने प्रत्येक पूर्वानुमान पर प्राप्त घटकों (यानी एक ही रंग के ठोस धब्बे) की संख्या निर्धारित की। यदि यह मान 10 है, तो परतों को सही ढंग से चुना गया है और हम अधिकतम छोटे क्षितिज सुधार के बारे में बात कर रहे हैं। यदि बहुत अधिक नहीं हैं, तो आपको केवल छवि के छोटे क्षेत्रों को "साफ" करने की आवश्यकता है। यदि उनमें से बहुत अधिक हैं, तो सब कुछ खराब है और यहां तक ​​कि पूर्ण री-लेआउट की आवश्यकता हो सकती है।

परीक्षण के लिए, हमने 110 इनलाइन और 360 क्रॉसलाइनों का चयन किया, जो कि किसी भी नेटवर्क के प्रशिक्षण में उपयोग नहीं किए गए थे।

तालिका 1. सांख्यिकी दोनों प्रकार के स्लाइस पर औसत होती है


तालिका 1 पिछले परिणामों में से कुछ की पुष्टि करती है। विशेष रूप से, जब प्रशिक्षण के लिए 1% स्लाइस का उपयोग करते हैं, तो कोई अंतर नहीं होता है, एक प्रकार के स्लाइस या दोनों का उपयोग करें, और परिणाम निम्नानुसार हो सकता है:

• लगभग 10% पूर्वानुमान आदर्श के करीब हैं, अर्थात क्षितिज के अलग-अलग वर्गों के लिए समायोजन से अधिक की आवश्यकता नहीं है;
• 50% पूर्वानुमान में 15 से अधिक स्पॉट नहीं होते हैं, अर्थात्। 5 अतिरिक्त से अधिक नहीं;
• 75% पूर्वानुमानों में 20 से अधिक स्पॉट नहीं होते हैं, अर्थात्। 10 से अधिक अतिरिक्त नहीं;
• पूर्वानुमान के शेष 25% में अधिक पर्याप्त परिशोधन की आवश्यकता होती है, जिसमें संभवतः, व्यक्तिगत स्लाइस का एक पूरा नया स्वरूप शामिल है।

5% तक के नमूने के आकार में वृद्धि से स्थिति बदल जाती है। विशेष रूप से, वर्गों के मिश्रण पर प्रशिक्षित नेटवर्क काफी उच्च संकेतक दिखाते हैं, हालांकि घटकों का अधिकतम मूल्य भी बढ़ता है, जो बहुत खराब गुणवत्ता की अलग-अलग व्याख्याओं की उपस्थिति को इंगित करता है। हालांकि, यदि आप नमूने को 5 गुना बढ़ाते हैं और स्लाइस के मिश्रण का उपयोग करते हैं:

• लगभग 30% पूर्वानुमान आदर्श के करीब हैं, अर्थात क्षितिज के अलग-अलग वर्गों के लिए समायोजन से अधिक की आवश्यकता नहीं है;
• 50% पूर्वानुमानों में 12 से अधिक धब्बे नहीं होते हैं, अर्थात 2 अतिरिक्त से अधिक नहीं;
• 75% पूर्वानुमान में 14 से अधिक धब्बे नहीं होते हैं, अर्थात 4 अतिरिक्त से अधिक नहीं;
• पूर्वानुमान के शेष 25% में अधिक पर्याप्त परिशोधन की आवश्यकता होती है, जिसमें संभवतः, व्यक्तिगत स्लाइस का एक पूरा नया स्वरूप शामिल है।

नमूना आकार में एक और वृद्धि से बेहतर परिणाम प्राप्त नहीं होते हैं।

सामान्य तौर पर, हमने जिस डेटा क्यूब की जांच की, उसके लिए हम एक तंत्रिका नेटवर्क से एक अच्छा परिणाम प्राप्त करने के लिए कुल डेटा वॉल्यूम के 1-5% की पर्याप्तता के बारे में निष्कर्ष निकाल सकते हैं।

इस तरह के आंकड़ों के अनुसार, उपरोक्त मैट्रिक्स और चित्र के साथ संयोजन के रूप में, व्याख्याकारों की मदद करने के लिए तंत्रिका नेटवर्क का उपयोग करने की सलाह के बारे में निष्कर्ष निकालना पहले से ही संभव है और उन परिणामों के बारे में जो विशेषज्ञ से निपटेंगे।

निष्कर्ष

इसलिए, अब हम उत्तर सागर के भूकंपीय घन के उदाहरण पर प्राप्त परिणामों का उपयोग करते हुए, लेख की शुरुआत में सामने आए सवालों के जवाब दे सकते हैं:

तंत्रिका नेटवर्क के प्रशिक्षण के लिए विशेषज्ञों को कितने डेटा की आवश्यकता होती है? और मुझे कौन सा डेटा चुनना चाहिए?

नेटवर्क का एक अच्छा पूर्वानुमान प्राप्त करने के लिए, स्लाइस की कुल संख्या का 1-5% पूर्व-चिह्न करना वास्तव में पर्याप्त है। वॉल्यूम में एक और वृद्धि से परिणाम में सुधार नहीं होता है, पहले से चिह्नित डेटा की संख्या में वृद्धि के साथ तुलनीय है। तंत्रिका नेटवर्क का उपयोग करके इस तरह की छोटी मात्रा पर बेहतर मार्कअप प्राप्त करने के लिए, आपको अन्य दृष्टिकोणों की कोशिश करने की आवश्यकता है, उदाहरण के लिए, आर्किटेक्चर और सीखने की रणनीतियों को ठीक करना, छवि प्रीप्रोसेसिंग, आदि।

प्रारंभिक अंकन के लिए, यह दोनों प्रकार के स्लाइस चुनने के लायक है - इनलाइन और क्रॉसलाइन।

ऐसे आउटपुट में क्या होता है? क्या तंत्रिका नेटवर्क भविष्यवाणियों के मैनुअल शोधन की आवश्यकता होगी? यदि हां, तो जटिल और बड़ा कैसे?

परिणामस्वरूप, इस तरह के तंत्रिका नेटवर्क द्वारा लेबल किए गए चित्रों के एक महत्वपूर्ण हिस्से को व्यक्तिगत रूप से मान्यता प्राप्त क्षेत्रों के सुधार से मिलकर सबसे महत्वपूर्ण शोधन की आवश्यकता नहीं होगी। उनमें ऐसी व्याख्याएँ होंगी जिनके लिए किसी सुधार की आवश्यकता नहीं होगी। और केवल एकल छवियों के लिए, आपको एक नए मैनुअल लेआउट की आवश्यकता हो सकती है।

बेशक, सीखने के एल्गोरिथ्म और नेटवर्क मापदंडों का अनुकूलन करते समय, इसकी भविष्य कहनेवाला क्षमताओं में सुधार किया जा सकता है। हमारे प्रयोग में, ऐसी समस्याओं का समाधान शामिल नहीं था।

इसके अलावा, एक भूकंपीय घन पर एक अध्ययन के परिणामों को बिना सोचे-समझे सामान्यीकृत नहीं किया जाना चाहिए - ठीक है क्योंकि प्रत्येक डेटा सेट की विशिष्टता। लेकिन ये परिणाम अन्य लेखकों द्वारा किए गए एक प्रयोग की पुष्टि करते हैं, और हमारे बाद के अध्ययनों की तुलना के लिए आधार है, जिसके बारे में हम जल्द ही लिखेंगे।

धन्यवाद

और अंत में, मैं अपने साथियों को MaritimeAI (विशेषकर एंड्री कोखन) और ODS को बहुमूल्य टिप्पणियों और मदद के लिए धन्यवाद देना चाहूंगा!

उपयोग किए गए स्रोतों की सूची:

1. बास पीटर्स, एल्डैड हैबर, जस्टिन ग्रेनक। भूभौतिकीविदों के लिए तंत्रिका-नेटवर्क और भूकंपीय डेटा व्याख्या के लिए उनके आवेदन
2. हाओ वू, बो झांग। भूकंपीय क्षितिज ट्रैकिंग में सहायता करने के लिए एक गहरी दृढ़ एनकोडर-डिकोडर तंत्रिका नेटवर्क
3. थिलो व्रोन, इंद्रनील पैन, रॉबर्ट एल गावथोरपे, और हाकोन फॉसेन। मशीन सीखने का उपयोग करके भूकंपीय संकाय विश्लेषण
4. रीनाल्डो मोजार्ट सिल्वा, लाइस बारोनी, रोड्रिगो एस। फेरेरा, डैनियल सिवेटेरेस, डेनिला सज्वर्कमैन, एमिलियो विटाल ब्राजील। नीदरलैंड डेटासेट: भूकंपीय व्याख्या में मशीन लर्निंग के लिए एक नया सार्वजनिक डेटासेट