SSFS地震相分割网络

无需标注数据

自监督学习结合深度聚类，摆脱对人工标注地震数据的依赖，为地下勘探提供高效可扩展的相分割方案。

Ming, Li · 颜雪松 · Wu, Qinghua

Expert Systems with Applications 2025

参数信息

平均mIoU

83.76 %

平均像素精度

88.43 %

类别精度提升

2–5 %

技术优势

无需标注数据

通过深度聚类生成伪标签，训练分割模型，完全摆脱人工标注。

小样本相类也能提升

SSFS预训练权重初始化后，对少数相类的类别精度提升2–5%。

能增强现有模型

SSFS预训练权重可以作为初始化，直接提升主流分割模型的性能。

应用场景

• 地震数据分析：直接对地震数据进行相分割，省去人工标注环节。
• 地质勘探：快速获得地下相分布，辅助勘探决策。
• 地下空间探测：提供地下结构的相分割结果，加速解释流程。
• 储层表征：识别储层相带，减少人工解释工作量。