FaultSeg Swin-UNETR：基于 Transformer 的自监督预训练模型用于故障识别
原文中文，约300字，阅读约需1分钟。发表于：。通过自监督预训练方法来增强地震断层识别，在地球物理学和地质学领域具有重要意义。我们引入了自监督学习的概念，利用大量相对容易获得的无标签地震数据进行预训练，并在微调阶段对核心网络进行了改进，以实现更有效的断层检测。实验结果表明，我们提出的方法在 Thebe 数据集上达到了最先进性能。
该文介绍了将迁移学习应用于音素分割任务中的方法，通过在自监督预训练中学习的表示对任务的效用得到证明。在 Transformer 风格编码器中增加有策略的卷积，操作预训练中学到的特征，该模型在 TIMIT 和 Buckeye 语料库上训练和测试，分别在监督和非监督设置下达到了以前的最佳性能。同时，作者还解决了评估指标的定义和实现不确定性的问题。
