Seismic Fault SAM: Adapting SAM with Lightweight Modules and 2.5D Strategy for Fault Detection

📄 arXiv: 2407.14121v1 📥 PDF

作者: Ran Chen, Zeren Zhang, Jinwen Ma

分类: cs.CV, eess.IV

发布日期: 2024-07-19

💡 一句话要点

Seismic Fault SAM：利用轻量级模块和2.5D策略改进SAM用于地震断层检测

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 地震断层检测 Segment Anything Model 迁移学习 轻量级Adapter 2.5D策略

📋 核心要点

  1. 地震断层检测依赖高质量数据集，但现有数据集规模小、质量参差，阻碍了深度学习方法的发展。
  2. Seismic Fault SAM利用预训练的SAM模型，通过轻量级Adapter和2.5D策略，将通用知识迁移到地震断层检测任务。
  3. 实验表明，该方法在Thebe数据集上超越了现有3D模型，并在OIS和ODS指标上取得了state-of-the-art的性能。

📝 摘要（中文）

地震断层检测具有重要的地理和实际应用价值，能够帮助专家进行地下结构解释和资源勘探。尽管基于深度学习的自动化方法取得了一些进展，但地震领域的研究面临着重大挑战，特别是难以获得高质量、大规模、开源和多样化的数据集，这阻碍了通用基础模型的发展。因此，本文提出了Seismic Fault SAM，首次将通用预训练基础模型——Segment Anything Model (SAM)——应用于地震断层解释。该方法通过Adapter设计，将从大量图像中学习到的通用知识与地震领域任务对齐。具体来说，我们的创新点包括设计轻量级Adapter模块，冻结大部分预训练权重，仅更新少量参数，使模型能够快速有效地学习断层特征；结合2.5D输入策略，用2D模型捕捉3D空间模式；通过基于先验的数据增强技术，将地质约束整合到模型中，以增强模型的泛化能力。在最大的公开地震数据集Thebe上的实验结果表明，我们的方法在OIS和ODS指标上均超过了现有的3D模型，实现了最先进的性能，并为其他缺乏标记数据的地震领域下游任务提供了一种有效的扩展方案。

🔬 方法详解

问题定义：地震断层检测旨在识别地震数据中的断层结构，对于资源勘探和地质结构分析至关重要。现有方法，特别是基于深度学习的方法，受限于高质量、大规模标注地震数据集的匮乏，导致模型泛化能力不足，难以适应复杂的地质环境。此外，直接应用通用深度学习模型难以有效提取地震数据的特有特征。

核心思路：论文的核心思路是利用预训练的Segment Anything Model (SAM)的强大泛化能力，通过轻量级的Adapter模块将SAM的通用图像知识迁移到地震断层检测任务中。通过冻结SAM的大部分参数，仅训练Adapter模块，可以有效降低训练成本，并避免在小数据集上过拟合。结合2.5D输入策略和地质先验的数据增强，进一步提升模型性能。

技术框架：Seismic Fault SAM的整体框架包括以下几个主要模块：1) SAM编码器：使用预训练的SAM图像编码器提取地震数据的特征。2) 轻量级Adapter模块：将SAM的通用特征适配到地震断层检测任务。3) 2.5D输入策略：将多个相邻的2D地震切片组合成2.5D输入，以捕捉3D空间信息。4) 解码器：将Adapter模块输出的特征解码为断层分割结果。5) 地质先验数据增强：利用地质知识对数据进行增强，提高模型的泛化能力。

关键创新：该方法最重要的技术创新点在于：1) 首次将SAM应用于地震断层检测，利用其强大的预训练能力。2) 设计了轻量级的Adapter模块，有效降低了训练成本，并避免了过拟合。3) 提出了2.5D输入策略，在计算效率和性能之间取得了平衡。4) 结合地质先验知识进行数据增强，提升了模型的泛化能力。与现有方法相比，Seismic Fault SAM无需从头训练大型模型，能够更有效地利用有限的标注数据。

关键设计：Adapter模块采用 bottleneck 结构，降低参数量。2.5D输入策略选择相邻切片的数量是一个关键参数，需要根据数据集的特点进行调整。损失函数采用二元交叉熵损失函数。数据增强策略包括旋转、平移、缩放以及基于地质先验的断层模拟等。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

Seismic Fault SAM在Thebe数据集上取得了显著的性能提升，在OIS指标上超越了现有3D模型，达到了state-of-the-art的水平。具体而言，该方法在OIS和ODS指标上均优于其他基线模型，证明了其有效性。实验结果表明，轻量级Adapter模块和2.5D输入策略能够有效提升模型的性能。

🎯 应用场景

Seismic Fault SAM可应用于地震数据解释、油气资源勘探、地质灾害评估等领域。该方法能够帮助地质学家更准确、高效地识别断层结构，从而提高资源勘探的成功率，并为地质灾害的预防提供支持。未来，该方法可以扩展到其他地震领域的下游任务，例如地震相分析和地层划分。

📄 摘要（原文）

Seismic fault detection holds significant geographical and practical application value, aiding experts in subsurface structure interpretation and resource exploration. Despite some progress made by automated methods based on deep learning, research in the seismic domain faces significant challenges, particularly because it is difficult to obtain high-quality, large-scale, open-source, and diverse datasets, which hinders the development of general foundation models. Therefore, this paper proposes Seismic Fault SAM, which, for the first time, applies the general pre-training foundation model-Segment Anything Model (SAM)-to seismic fault interpretation. This method aligns the universal knowledge learned from a vast amount of images with the seismic domain tasks through an Adapter design. Specifically, our innovative points include designing lightweight Adapter modules, freezing most of the pre-training weights, and only updating a small number of parameters to allow the model to converge quickly and effectively learn fault features; combining 2.5D input strategy to capture 3D spatial patterns with 2D models; integrating geological constraints into the model through prior-based data augmentation techniques to enhance the model's generalization capability. Experimental results on the largest publicly available seismic dataset, Thebe, show that our method surpasses existing 3D models on both OIS and ODS metrics, achieving state-of-the-art performance and providing an effective extension scheme for other seismic domain downstream tasks that lack labeled data.