申请/专利权人：清华大学

申请日：2020-04-02

公开（公告）日：2022-09-23

公开（公告）号：CN111461988B

主分类号：G06T3/40

分类号：G06T3/40;G06N3/04;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2022.09.23#授权;2020.08.21#实质审查的生效;2020.07.28#公开

摘要：本发明公开了一种基于多任务学习的地震速度模型超分辨率技术，所述技术包括以下步骤:步骤1：搭建多任务超分辨率深度网络；步骤2：准备训练数据，利用速度模型数据构建标签数据；步骤3：训练多任务超分辨率深度网络，使用均方误差和全变差组合构成多任务深度网络的损失函数，投入训练数据，使用优化器进行训练，训练过程中采用衰减学习率；步骤4：应用多任务超分辨率深度网络，输入真实低分辨率地震速度模型及其梯度，得到高分辨率地震速度模型及其梯度。

主权项：1.一种基于多任务学习的地震速度模型超分辨率技术，其特征在于，所述技术包括以下步骤:步骤1：搭建多任务超分辨率深度网络；步骤2：准备训练数据，利用速度模型数据构建标签数据；所述标签数据包括高分辨率地震速度模型及其梯度信息与不同模糊程度的低分辨率地震速度模型及其梯度信息；所述步骤2具体包括以下步骤：步骤2.1：使用索贝尔算子提取所述高分辨率地震速度模型两个方向的梯度信息，并与所述高分辨率地震速度模型进行组合，得到三通道的目标图像；步骤2.2：在高分辨率图像中，使用均值滤波，得到不同模糊程度的所述低分辨率地震速度模型；步骤2.3：使用索贝尔算子提取所述低分辨率地震速度模型两个方向的梯度信息，并与所述低分辨率地震速度模型进行组合，得到低分辨率三通道的输入图像；步骤3：训练多任务超分辨率深度网络，使用均方误差和全变差组合构成多任务深度网络的损失函数，投入训练数据，使用亚当优化器进行训练，训练过程中采用衰减学习率；步骤4：应用多任务超分辨率深度网络，输入真实低分辨率地震速度模型及其梯度，得到高分辨率地震速度模型及其梯度。

全文数据：

权利要求：

百度查询： 清华大学 一种基于多任务学习的地震速度模型超分辨率技术

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD