[pt] O desenvolvimento de técnicas de aprendizado auto-supervisionado vem
ganhando muita visibilidade na área de Visão Computacional pois possibilita
o pré-treinamento de redes neurais profundas sem a necessidade de dados anotados. Em alguns domínios, as anotações são custosas, pois demandam muito
trabalho especializado para a rotulação dos dados. Esse problema é muito
comum no setor de Óleo e Gás, onde existe um vasto volume de dados não
interpretados. O presente trabalho visa aplicar a técnica de aprendizado auto-supervisionado denominada Masked Autoencoders para pré-treinar modelos Vision Transformers com dados sísmicos. Para avaliar o pré-treino, foi aplicada a
técnica de transfer learning para o problema de segmentação de fácies sísmicas.
Na fase de pré-treinamento foram empregados quatro volumes sísmicos distintos. Já para a segmentação foi utilizado o dataset Facies-Mark e escolhido o
modelo da literatura Segmentation Transformers. Para avaliação e comparação
da performance da metodologia foram empregadas as métricas de segmentação
utilizadas pelo trabalho de benchmarking de ALAUDAH (2019). As métricas
obtidas no presente trabalho mostraram um resultado superior. Para a métrica
frequency weighted intersection over union, por exemplo, obtivemos um ganho
de 7.45 por cento em relação ao trabalho de referência. Os resultados indicam que a
metodologia é promissora para melhorias de problemas de visão computacional
em dados sísmicos. / [en] The development of self-supervised learning techniques has gained a lot
of visibility in the field of Computer Vision as it allows the pre-training of
deep neural networks without the need for annotated data. In some domains,
annotations are costly, as they require a lot of specialized work to label the
data. This problem is very common in the Oil and Gas sector, where there is
a vast amount of uninterpreted data. The present work aims to apply the self-supervised learning technique called Masked Autoencoders to pre-train Vision
Transformers models with seismic data. To evaluate the pre-training, transfer
learning was applied to the seismic facies segmentation problem. In the pre-training phase, four different seismic volumes were used. For the segmentation,
the Facies-Mark dataset was used and the Segmentation Transformers model
was chosen from the literature. To evaluate and compare the performance of
the methodology, the segmentation metrics used by the benchmarking work
of ALAUDAH (2019) were used. The metrics obtained in the present work
showed a superior result. For the frequency weighted intersection over union
(FWIU) metric, for example, we obtained a gain of 7.45 percent in relation to the
reference work. The results indicate that the methodology is promising for
improving computer vision problems in seismic data.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:65865 |
| Date | 12 January 2024 |
| Creators | DANIEL CESAR BOSCO DE MIRANDA |
| Contributors | MARCELO GATTASS |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0147 seconds