LPPN论文阅读笔记

LPPN: A Lightweight Network for Fast Phase Picking

背景

深度学习模型的问题在于计算复杂度较高，在实际数据处理中需要面临较高的处理代价，且需要专用的加速处理设备，如GPU。随着数据累积，迫切需要设计一种能够保证精度的轻量化高速震相拾取模型，以提高处理海量数据的效率，这种模型同时可以方便地部署在设备端。

LPPN首先对一小部分的波形的相位类型进行分类，然后使用回归输出所需要相位的准确起始时间。该结构使用深度卷积的优化减少了模型参数并且提高性能

大多数相位拾取网络将输出每一个输入数据点的概率，那么LPPN的思路是输出连续的几个点的相位类型概率，降低计算成本
首先确定是否存在所需的相位，然后选择相位时间
如果输入的地震图长度是T个点，LPPN的总下采样率是S，那么有T/S概率输出 S是步长，每一个输出都是原始波形的一个小片段的概率，然后确定它所属的类型。第I个输出代表从Is到is + S - 1的S个采样点的概率，is是数据采样点的索引，对应于时间ti。那么准确的相位到达可能不精确的从ti开始。
分类和回归都是基于从连续T点提取的特征，但是输出将减少到由步幅控制的T/S
100HZ 30.71S 采样点是3072,那么采取大约30s的窗口来确保用于特征提取的足够长度。

LPPN设计用于在各种设备上运行，在训练时可以配置特征数量和步长，网络内部也进行优化
n代表模型的特征数目
特征提取是通过七个CNN块进行的，每一个块执行两个任务：使用前一个块的特征并执行下采样来减少输出的长度，同时它扩展了特征的数量来恢复长度，将足够信息传递给下一个层。
每一个块包括两个点卷积层和一个深度卷积层，形成一个卷积单元来取代传统的CNN卷积层，这样的优化将参数数量减少45%
特征提取的输出被进一步输入到扩大感受野模块中，该模块使用三个下采样层和三个上采样层组成

真正的P到时位于该段内部，表明相位分类是正确的
时间窗口是0.16s 说明窗口有16个点，
分段的初始时间t在真正的P时间拾取之前，在加上回归模块提供的&t之后，预测的P时间更加接近真实的P时间
LPPN 可以使用不同的步长来节省内存占用并且加快相位拾取，但是较大的步长也会演唱回归的时间窗口，可能会导致比较低的精度
测试发现，步长为16的中等模型可以在模型性能和计算成本方面提供平衡的配置
对于所有模型，精度和召回率都随着信噪比的增加而增加，并且对于高信噪比，差异较小。对于低信噪比的波形，所有模型都表现出比较差的性能，但是参数比较多、步幅比较小的模型通常比其他模型更好，表明LPPN模型更适合处理期望比较低的SNR波形数据

斯坦福地震数据集