肖 红，张瑶瑶*，张福禄

(1.东北石油大学 计算机与信息技术学院，黑龙江 大庆 163318；2.东北石油大学 电气信息工程学院，黑龙江 大庆 163318)

0 引 言

深度学习能够有效地从原始输入数据中提取抽象且具有良好泛化能力的特征表示[1]，卷积神经网络就是其代表算法之一，在计算机视觉中的图像分类[2]、图像语义分割[3]、目标检测[4]等方面取得了突破性的成功。

地层识别是在一个油区范围内对全井段地层信息进行处理[5]，结果直接影响后续测井解释和储层评价的准确性[6]。众多学者利用测井曲线形态进行地层识别研究[7]。近年来，聚类分析[8]、BP神经网络[9]、贝叶斯判别[10]等人工智能算法也逐渐应用于油气勘探工作中。

卷积神经网络的原理[11]与人工地层识别中对测井曲线的特征提取与分析有相通之处，利用卷积神经网络开展自动化地层识别具有广阔的应用前景。因此，文中基于深度卷积Ghost模块，利用扩张卷积构造双向级联网络，对不同尺度特征信息进行交换，有效提高地层识别的准确率。

1 预备知识

1.1 Ghost模块

卷积操作提取的特征图冗余严重且计算成本大。Ghost模块[12]通过卷积得到部分特征图，基于已存在的特征映射，运用低成本变换得到其他可以充分揭露内在特征信息的相似特征图，既可以减少模型参数量，也可以减少模型运算量，提高网络性能。Ghost模块结构如图1所示。

图1 Ghost模块

在搭建网络时，文中将Ghost模块组成Ghost瓶颈结构。步长为2时增添深度可分离卷积结构。与使用1*1大小点卷积的MobileNets[13]、Shufflenet[14]等模型相比，Ghost瓶颈结构中可以自定义卷积核大小。……