[en] CONVOLUTIONAL NETWORKS APPLIED TO SEMANTIC SEGMENTATION OF SEISMIC IMAGES

• Ano de defesa: 2021
• Autor(a) principal: MATEUS CABRAL TORRES
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [pt] PROCESSAMENTO DE IMAGENS; [pt] FCN; [pt] U-NET; [pt] DETECCAO DE SAL; [pt] AUMENTO DE DADOS; [pt] SEGMENTACAO SEMANTICA; [pt] REDE NEURAL CONVOLUCIONAL; [pt] TRANSFERENCIA DE APRENDIZADO; [pt] APRENDIZADO PROFUNDO; [pt] APRENDIZADO SUPERVISIONADO; [en] IMAGE PROCESSING; [en] FCN; [en] U-NET; [en] SALT DETECTION; [en] DATA AUGMENTATION; [en] PIXEL-WISE SEMANTIC SEGMENTATION; [en] CONVOLUTIONAL NEURAL NETWORK; [en] TRANSFER LEARNING; [en] DEEP LEARNING; [en] SUPERVISED LEARNING
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=54148&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=54148&idi=2; http://doi.org/10.17771/PUCRio.acad.54148

[pt] A partir de melhorias incrementais em uma conhecida rede neural convolucional (U-Net), diferentes técnicas são avaliadas quanto às suas performances na tarefa de segmentação semântica em imagens sísmicas. Mais especificamente, procura-se a identificação e delineamento de estruturas salinas no subsolo, o que é de grande relevância na indústria de óleo e gás para a exploração de petróleo em camadas pré-sal, por exemplo. Além disso, os desafios apresentados no tratamento destas imagens sísmicas se assemelham em muito aos encontrados em tarefas de áreas médicas como identificação de tumores e segmentação de tecidos, o que torna o estudo da tarefa em questão ainda mais valioso. Este trabalho pretende sugerir uma metodologia adequada de abordagem à tarefa e produzir redes neurais capazes de segmentar imagens sísmicas com bons resultados dentro das métricas utilizadas. Para alcançar estes objetivos, diferentes estruturas de redes, transferência de aprendizado e técnicas de aumentação de dados são testadas em dois datasets com diferentes níveis de complexidade.