简 介： 记录了2022年春季学期论文评审答辩信息。

关键词： 硕士论文，评审意见

§01 第一篇论文

一、论文信息

1、题目： 基于弱监督学习的地震数据去噪方法

  作者：单文俊

2、简介

  地震勘探是油气勘探的重要手段，而地震资料处理是地震勘探过程中十分重要的一环。随着油气勘探的目标逐步转向深层油藏和地质结构复杂的油藏，提高地震数据信噪比对后续数据解释工作尤为重要。此外，勘探技术的进步使得采集得到的地震数据数量大幅增加。基于模型驱动的传统去噪方法，通常需要专业处理人员调整参数，难以满足现代地震勘探对去噪效果和处理效率的高要求。而基于数据驱动的深度学习算法能够自适应地对图像中信噪比不同的区域进行去噪，因此逐渐成为热门的研究方向。然而实际地震数据去噪任务中无法获得干净数据作为训练标签，因此无法通过强监督学习得到去噪性能优异的网络模型。针对上述问题，本文开展了基于弱监督学习的地震数据去噪方法研究。论文主要工作如下：
  （1）提出了一种基于伪训练集生成和迭代更新策略的训练框架。本框架包括以下三个步骤：（a）基于强弱去噪相结合的方法生成伪训练集，即对原始含噪地震数据进行强去噪得到仅包含少量噪声的估计信号、弱去噪得到仅包含少量信号的估计噪声，将估计信号和估计噪声进行组合得到没有真实干净数据的伪训练集；（b）使用标签不准确的伪训练集，通过弱监督学习得到地震数据去噪网络；（c）利用训练得到的去噪网络对原始含噪地震数据去噪并更新伪训练集，然后重新训练网络，重复该步操作实现伪训练集和去噪网络的迭代更新从而实现更好的去噪效果。
  （2）研究了一种基于残差学习和注意力机制的2D地震数据去噪网络（SDN）。针对上述训练框架中的第2步，本文利用残差学习，并引入注意力机制，设计了更适合于本文中弱监督学习任务的2D地震数据去噪网络。此外，本文针对叠后地震数据的形态特点，基于全变分损失函数进行改进，提出了水平梯度损失函数。实验结果验证了网络结构和损失函数的有效性。
  （3）研究了一种基于三维卷积的3D地震数据去噪网络（S3DN）。针对二维卷积网络无法有效利用三维地震数据中三个维度信息的问题，以及三维卷积计算量大的问题，本文结合小波变换设计了一种计算效率高的三维卷积网络S3DN。在合成数据实验和实际数据实验中，尽管S3DN和SDN使用的初始伪训练集相同，但是S3DN的整体去噪性能更好，能够更有效地去除地震数据体中的噪声。

  关键词：地震数据去噪；数据集生成；迭代更新；注意力机制；卷积神经网络

二、论文亮点

• 强监督学习：训练过程中所使用的标签数据完全准确的监督学习称为强监督学习。
• 弱监督学习：训练过程中所使用的标签数据不完全准确的监督学习称为弱监督学习。

右键单击（或长按）桌面、指向“视图，然后依次选择“大图标”、“中等图标”或“小图标”。 提示: 你也可以使用鼠标滚轮来调整桌面图标的大小。 在桌面上，长按“Ctrl”，同时滚动滚轮来放大或缩小图标。

• F-X反褶积滤波

• DMSSA： 算法

三、评阅意见

  研究基于深度学习方法去除地震勘探数据中噪声技术、提高地震数据信噪比具有重要的应用价值和理论意义。

  论文在地震数据去噪技术分析比较基础上，针对无法获得干净地震数据作为训练标签的问题，展开了弱监督学习实现地震数据去噪的研究，取得了如下研究成果：

  （1） 设计了一种生成伪训练数据集合的方法， 并提出了迭代更新训练框架。 通过重复更新数据集合与训练网络可以实现更好的去噪效果；
  （2） 设计实现了一种基于残差学习和注意力机制的2D地震数据去噪网络（SDN），提出水平梯度损失函数。 利用前面训练框架进行了性能测试和分析， 验证了网络结构和损失函数的有效性；
  （3） 设计实现了3D地震数据的去噪网络（S3DN）。网络结合小波变换提高了计算效率， 在去噪性能上高于SDN。

  论文书写清晰，叙述流畅，公式正确，图表规范。实验设计合理，结果分析充分。论文工作表明了作者掌握了本领域坚实的基础理论，具备了从事相关领域的研究工作的能力。论文达到了工学硕士论文的要求，同意进行硕士论文答辩。

四、意见与建议

• 论文内容方面：

  （1）在论文构造伪训练集合过程中所依赖的的其它去噪方法需要能够设置不同的去噪能力； 同样最终训练所得到的网络也与该算法有关。 本文对于该算法的种类以及参数讨论较少，建议能够再扩展一些；
  （2）影响深度网络去噪性能的还有评价函数， 本文针对地震数据的特点加入了水平梯度损失函数， 对于改损失函数的加权系数选取，可以进一步讨论。

  论文格式方面：
  （1）论文第第二章：十四页： 公式（2.5），其中的 $N_s^{\prime }=N_{weak}$ 应该改成 $N_w^{\prime }=N_{weak}$ 。
  （2）论文中的公示字体大小需要调整到一直： 比如(2.14), ((2.16) 公式尺寸前面小， 后面大。

§02 第二篇论文

一、论文信息

1、题目：基于深度学习的图像分割智能标注方法

  作者：郑裕潭

2、简介

  深度学习作为实现人工智能的一种重要技术，其以大量标注数据为基础推动研究发展，尤其在监督学习任务中，标签起到了关键性作用。然而，标签的生成过程却存在很多弊端，根据目前标签的生成方式，一般需要投入大量人力资源与时间，使得人工智能表面上显得“智能”，却未能达到真正的“智能化”。因此，利用深度学习方法，研究标注的智能化，可以有效地提高标注工作效率，从而使人工智能来到真正的“智能化”时代。本文开展了基于深度学习的图像分割智能标注方法研究，主要工作包括：
  （1） 提出了一种基于粗分割结果的距离图（SDM：Seg-mask Distance Map）生成方法。在点击式的智能图像分割标注方法中，距离图生成是关键。本方法先利用标注样本训练分割网络，得到粗分割结果，然后将其转换为欧式距离，再与用户修正点击点位置结合，最终生成SDM。距离图SDM有效地提高了标注效率，具有两方面的优势：1) 充分利用已标注图像训练得到的分割网络模型，有效地减少需要进一步人工标注的图像数量；2) 对需要标注的图像，所提方法既减少了人工交互点击次数，又能够提高标注准确率。
  （2） 提出了一种基于初始包围框模拟多个包围框的分割结果优选方法。框选式智能图像分割标注方法存在对用户提供的包围框敏感的问题，需要用户多次交互调整包围框，来得到满意的分割标签。本方法利用深度学习技术自动实现上述的人工交互过程。在用户提供的某一包围框的基础上，本方法通过自动生成多个不同大小和位置的包围框来模拟用户的交互框选操作。针对上述不同框选得到的分割标签，本文提出了基于CBS-Net（Choose the Best Seg-mask Network）分割结果的评估方法，最后选择最高评分作为分割标签。本方法只需要用户提供一个合理的包围框，就能得到满意的分割标签，从而有效地提高标注效率。
  关键词：智能标注；交互式分割；深度学习；点击式；框选式

二、论文亮点

三、评阅意见

  高效精确的标注数据对提高深度学习算法性能有很大影响。 本文选择基于深度学习的图像分割标注方法具有重要的理论意义和应用价值。

  论文总结分析了不同图像分割方法， 开展了基于深度学习的标准算法研究， 取得了如下研究成果：

  （1）提出了一种结合分割网络与用户交互点击生成距离图的方法。该方法提高了标注的效率；
  （2）设计实现了一种基于CBS-Net的多个包围框优选方法。 在初始包围框的基础上，自动生成多个候选框并选择最优的分割结果。

  上述算法应用于地震与古生物化石等领域数据集合， 验证了算法的有效性。

  论文书写清晰，叙述流畅，公式正确，图表规范。实验设计合理，结果分析充分。论文工作表明了作者掌握了本领域坚实的基础理论，具备了从事相关领域的研究工作的能力。论文达到了工学硕士论文的要求，同意进行硕士论文答辩。

四、意见与建议

  （1）论文中所提出的算法进行测试的图像数据库种类和数量还需进一步丰富，就算法中的一些超参所适合的应用场合以及选择的方法做进一步探讨。

● 相关图表链接:

• 图1.1.1 论文的主要框架
• 图1.1.2 基于强弱去早相结合的伪训练集合生成以及对应神经网络输入输出
• 图1.1.3 SDN 结构
• 评价表格
• 图2.2.1 完成一项深度学习项目所需要的小号事件比例
• 评价表格

文章来源: zhuoqing.blog.csdn.net，作者：卓晴，版权归原作者所有，如需转载，请联系作者。

原文链接：zhuoqing.blog.csdn.net/article/details/124779137