Defesa de Dissertação de Mestrado do aluno Daniel Cesar Bosco de Miranda.
Título da Dissertação: Vision Transformers e Masked Autoencoders para segmentação de fácies sísmicas
Resumo: Desde a introdução dos Vision Transformers (ViT) no campo da visão computacional, esta arquitetura de Deep Learning (DL) e suas variantes têm obtido resultados de ponta em uma variedade de tarefas, superando as bem estabelecidas Convolutional Neural Networks (CNN). No entanto, sua aplicação à interpretação de dados sísmicos ainda está no começo. A ViT leva em conta a interação de longo alcance entre todas as partes de uma imagem de entrada e não tem a limitação de campos receptivos como as CNNs, que podem ser importantes para distinguir sutilezas na interpretação de dados sísmicos. Para avaliar isso, exploramos a segmentação semântica de dados sísmicos no Bloco F3, usando o benchmark realizado com CNNs por Alaudah et al. (2019) como referência. Em vez da tradicional arquitetura com encoder e decoder convolucionais, usamos um encoder ViT com um decoder convolucional simples, a arquitetura Segmentation Transformer (Zheng et al. 2021).A maneira padrão de usar uma arquitetura DL é pegar os pesos da rede do pré-treinada na tarefa de classificação do ImageNet e ajustar os pesos aos nossos dados e tarefas. Mas o recente progresso do Aprendizado auto-supervisionado permitiu o treinamento de Redes Neurais Profundas sem a necessidade de dados rotulados, o que é uma excelente oportunidade para explorar o potencial dos dados sísmicos. Para também avaliar o impacto dessa inovação na interpretação sísmica, neste trabalho pré-treinamos um ViT com três conjuntos de dados sísmicos usando uma técnica denominada Masked Autoencoders (He et al. 2022). Avaliamos o valor desse pré-treinamento comparando os ganhos na segmentação semântica do Bloco F3.
Orientador: Prof. Dr. Marcelo Gattass
Banca:
Prof. Dr. Alberto Barbosa Raposo
Prof. Dr. Aristófanes Corrêa Silva
Prof. Dr. Marcos de Carvalho Machado
Prof. Dr. Jan Jose Hurtado Jauregui
Assista a defesa pelo link https://puc-rio.zoom.us/j/94359396477?pwd=eFZkMi8wWTBCU3BpKzZMTStucUxnUT09