李建平 张硕伟 丁仁伟 麻晓敏 赵俐红 赵硕

摘要：针对常规语义分割网络在初至拾取中存在的精度低、泛化能力差等问题，基于Ｕ-Ｎｅｔ网络，结合残差学习模块和亚像素卷积方法，构建了一种超分辨率深度残差网络的初至智能拾取方法（ＳＤ-Ｎｅｔ）。该方法使用具有跳跃连接的Ｕ 型网络融合地震数据的多尺度信息，通过端到端的训练方式简化工作。首先，在ＳＤ-Ｎｅｔ的下采样阶段引入残差学习模块，克服深层网络退化问题，有效提高对地震数据的学习能力；其次，上采样阶段采用亚像素卷积方法，通过卷积和多通道间的像素重组实现特征图超分辨率重建，以更高精度定位初至；另外，利用迁移学习将模型应用于中、低信噪比模拟数据，仅需少量标注数据即可训练得到最优初至拾取模型。实际算例表明：与Ｕ-Ｎｅｔ方-法相比，ＳＤ-Ｎｅｔ训练效率明显提高；网络模型具有更高准确率和鲁棒性；迁移学习模型预测的结果验证了ＳＤ-Ｎｅｔ具有較强的泛化能力；该方法在实际生产应用中对实现高效、准确的初至智能拾取具有重要意义。

关键词：初至拾取，Ｕ-Ｎｅｔ，残差学习模块，亚像素卷积方法，ＳＤ-Ｎｅｔ，迁移学习

中图分类号：Ｐ６３１ 文献标识码：Ａ dol：１０．１３８１０／ｊ．ｃｎｋｉ．ｉｓｓｎ．１０００-７２１０．２０２３．０２．００２