Aprendizaje Auto-Supervisado para la Segmentación de Imágenes Sísmicas a Partir de Pocos Muestras Etiquetadas

Los métodos actuales de aprendizaje profundo para la interpretación de imágenes sísmicas requieren grandes cantidades de datos etiquetados, y debido a intereses estratégicos y económicos, estos datos no están disponibles en abundancia. En este escenario, la interpretación sísmica puede beneficiarse del aprendizaje auto-supervisado al confiar en un entrenamiento previo sin etiquetas anotadas manualmente dentro del dominio de datos objetivo y un posterior ajuste fino con pocos ejemplos. Para demostrar el potencial de tal enfoque, realizamos experimentos con tres tareas clásicas basadas en contexto: rotación, rompecabezas y predicción del orden de fotogramas. Nuestros resultados para 1, 5, 10 y 20 disparos mostraron una mejora significativa en las mediciones de media Intersección sobre Unión (mIoU) para segmentación semántica en la mayoría de los escenarios, superando el método base en un 38% en el escenario de 1 disparo para el Conjunto de Datos F3 de los Países Bajos, y un 16.4% en el conjunto de datos Parihaka de Nueva Zelanda, y esta brecha crece aún más después de realizar modelado en conjunto. Estos experimentos sugieren que aplicar métodos de SSL también puede traer grandes beneficios en la interpretación sísmica cuando hay pocos datos etiquetados disponibles.