Vision Transformer с моделью affinity similarity для интерактивной сейсмической интерпретации

Сейсмическая интерпретация, в частности задачи сегментации соляных тел, значительно продвинулась благодаря методам глубокого обучения. В то время как традиционные подходы на основе сверточных нейронных сетей (CNN) показали свою эффективность, недавние разработки в архитектурах Transformer, в частности Vision Transformer (ViT), представляют собой перспективную альтернативу. В настоящем исследовании предложен новый слабо контролируемый подход на основе Vision Transformer, интегрированный с механизмом долговременной памяти affinity similarity, специально разработанный для сейсмической интерпретации. Предварительная тренировка ViT на синтетических сейсмических данных формирует прочную базу распознавания геологических объектов. Далее обучение модели памяти на основе affinity заметно улучшает пространственную непрерывность, что существенно для точной интерпретации непрерывных геологических структур в сейсмических томах. В отличие от предыдущих подходов, наш метод уникально применяет технику распространения памяти на основе affinity, адаптированную для inline-пропагации в сейсмике, что значительно повышает непрерывность предсказаний и существенно сокращает объём ручной разметки.