买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：东北电力大学

摘要：本发明涉及一种基于SwinTransformer地震图像处理法，包括设计浅层特征提取模块，设计深层特征提取模块，设计特征重构模块，设计整体网络结构，数据集的构建，采用L1损失和MS‑SSIM损失的混合损失作为本网络的损失函数，初始化模型参数，将训练数据输入到网络模型中进行训练，将保存好的最佳训练模型用于测试集进行测试，输出数据与标签数据进行结构相似性对比，将保存好的最佳训练模型用于真实地震数据测试。本发明处理方法有效解决了缺乏高质量训练数据的问题；通过设计跳跃连接，防止信息丢失，提高模块性能；通过同时使用这两种损失，可以在重建图像中实现细节和结构的平衡，既保留细节信息又提高感知质量。

主权项：1.一种基于SwinTransformer地震图像处理法，其特征在于，包括以下步骤：a、设计浅层特征提取模块，所述浅层特征提取模块能够通过使用单个卷积层，实现对输入数据的初步特征提取；b、设计深层特征提取模块，所述深层特征提取模块由四个Swin-T模块和一个卷积模块串联构成；所述卷积模块用于将卷积的归纳偏置引入到Transformer中；所述Swin-T模块由跳跃连接、四个STB模块和卷积模块串联构成；c、设计特征重构模块，所述特征重构模块通过跳跃连接接收来自浅层特征提取模块和深层特征提取模块的输出特征图，并通过亚像素卷积层进行上采样，对特征图进行特定尺寸的扩充；d、设计整体网络结构：将原始数据输入浅层特征提取模块，经过初步卷积操作得到浅层低频特征，然后输入到深层特征提取模块中，通过多层Swin-T模块与STB模块的堆叠，进一步提取深层高频特征，浅层低频特征和深层高频特征通过跳跃连接在通道维度上进行拼接，实现浅层与深层的特征融合，并输入到特征重构模块中，通过亚像素卷积层对输入数据上采样，实现尺寸的扩大，得到最终的输出数据；e、数据集的构建；f、采用L1损失和MS-SSIM损失的混合损失作为本网络的损失函数；g、初始化模型参数，确定学习率及衰减速率、学习次数；h、将训练数据输入到网络模型中进行训练，调试超参数和数据量，并进行多次训练，对得到的输出结果与标签数据进行结构相似性对比，取损失函数最小、峰值信噪比最高，结构相似性最高的一次网络模型参数为最终训练结果。i、将保存好的最佳训练模型用于测试集进行测试，输出数据与标签数据进行结构相似性对比，单道振幅对比以及信噪比的提升，测试模型的准确性；j、将保存好的最佳训练模型用于真实地震数据测试，输出数据与真实地震数据进行结构相似性对比，单道振幅对比以及信噪比的提升，观察模型的准确性。

全文数据：

权利要求：

百度查询： 东北电力大学 基于Swin Transformer地震图像处理法