10月22日下午，西南石油大學計算機與軟件學院在明理樓B306舉行了“夢溪湖論壇”系列講座的第四講。此次講座聚焦于“基于通過具有課程學習的雙解碼子網絡實現的全波形反演”，主要從問題定義、方法背景與動機、網絡架構與訓練策略以及實驗結果四個部分展開介紹。
本次講座主講人為西南石油大學計算機與軟件學院2022級軟件工程的張星移同學。2022-2023年曾從事多標簽學習方向，期間于2023年1月在SCI一區期刊Information Sciences以一作身份發表論文。現主要從事深度學習的全波形反演方向，并于2024年初于SCI一區期刊IEEETGRS中以一作身份發表論文。目前分別于SCI一區期刊IEEE TGRS和一區CCF-A期刊IEEE TPAMI上各有一篇在投論文。也曾作為小組成員參加了第十九屆全國研究生數學建模比賽并榮獲一等獎，同時連續兩年獲國家獎學金。
張星移同學首先在問題定義部分對全波形反演（FWI）進行了一個引入。他解釋了反演的大致過程可以理解為，在地表（或海上）設置振動源來引發向下的波傳導，同時在地表設置接收器來接收這些反饋信號，通過分析人工釋放并傳回的地震波中的信息來解析地下介質構造。還對地震數據、速度模型、正演、FWI、深度學習的全波形反演（DL-FWI）的基本概念進行介紹，并闡述了傳統全波形反演存在的諸多問題。強調了DL-FWI相較于FWI，對于問題的輸入輸出沒變，改變的是策略，改用神經網絡來擬合地震數據到速度模型的映射。
在背景和動機部分，張星移同學闡述了DL-FWI的側重點，即網絡架構與訓練控制。首先介紹了當前領域內的幾個重要網絡結構，包括InversionNet、FCNVMB、VelocityGan和SeisInvNet，并討論了這些模型的優勢。接著，介紹了DL-FWI最廣泛采取的訓練控制是遷移學習，它應對了DL-FWI領域存在的優質數據匱乏問題，即先通過大量的合成數據預訓練網絡，然后再遷移到數據量較少的優質數據上。除了遷移學習這種分兩次的訓練，還有多次改變訓練策略的漸進學習策略，如自定義先驗、自動化等。
針對DL-FWI在設計上少有考慮數據本身的特征與具體的反演問題，張星移同學提出了一種雙解碼結構來精確反演地下界面。所講論文的網絡架構以U-Net架構作為基礎，基于多任務中硬參數共享的思想構建了雙端口。第一解碼器側重于重建速度模型，第二解碼器用作增強層邊界的輔助。隨后，介紹了課程學習的總體框架由難度測量器和訓練調度器組成。
在實驗結果部分，張星移同學展示了DDNet網絡在SEG鹽數據集和OpenFWI數據集上的應用效果。他通過對比實驗，分析了邊界輪廓、斷層等，證明了DDNet在速度模型重建精度和計算效率方面相較于現有方法的顯著優勢。
講座結束后，與硬參數共享問題、課程學習對輸入波形做出哪些處理、添加噪聲問題、雙解碼器的效果等問題進行了深入的交流和討論。此次講座不僅為學院師生提供了一個了解前沿技術的平臺，也激發了大家對深度學習在地球物理勘探中應用的濃厚興趣。
