DSU-Net: Dynamic Snake U-Net for 2-D Seismic First Break Picking

在地震勘探中，确定第一次到达（FB）是建立地下速度模型的关键组成部分。已经开发了各种基于深度神经网络的自动拾取技术，以加快此过程。最流行的类别是使用语义分割网络进行2D拾取。一般来说，基于2D分割的拾取方法输入一个地震记录的图像，并输出一个二进制分割图，其中每列的最大值是FB的位置。然而，当前设计的分割网络很难保证分割的水平连续性。此外，某些区域也存在FB跳跃，当前网络不易检测到这些跳跃。因此，尽可能多地拾取并确保水平连续性非常重要。为了缓解这个问题，我们提出了一种新的语义分割网络，用于2D地震FB拾取任务，其中我们将动态蛇卷积引入U-Net，并称这个新的分割网络为动态蛇U-Net（DSU-Net）。具体地，我们在计算机视觉中开发了原始的动态蛇卷积（DSConv），并提出了一种新的DSConv模块，它可以从地震记录的浅层特征中提取水平连续的特征。许多实验证明，DSU-Net比其他基于2D分割的模型具有更高的准确性和鲁棒性，在2D地震勘探领域实现了最先进的性能。特别是，它可以有效地检测FB跳跃，并更好地确保FB的水平连续性。此外，消融实验和抗噪实验分别验证了DSConv模块的最佳结构和拾取的鲁棒性。

论文旨在解决地震勘探中识别第一个断层的问题，当前的2D分割方法难以确保分割的水平连续性和检测断层跳跃现象的准确性。

提出了一种新的语义分割网络DSU-Net，引入动态蛇卷积模块，可以在浅层特征中提取水平连续的特征，有效地检测断层跳跃现象并保证分割的水平连续性。

论文通过实验验证了DSU-Net在2D地震勘探中的高准确性和鲁棒性，可以更好地检测断层跳跃现象和保证分割的水平连续性。同时，论文还进行了消融实验和抗噪实验，验证了DSConv模块的最优结构和算法的鲁棒性。

近期的相关研究包括基于深度学习的地震数据处理、语义分割网络在地震勘探中的应用等。其中一些相关研究的论文标题包括：Deep Learning for Seismic Data Processing: A Review、Seismic Fault Detection via U-Net Based on Multi-Scale Features等。