近日，长江大学地物学院陈伟博士团队在IEEE Transactions on Neural Networks and Learning Systems (IEEE TNNLS)发表题为Self-Attention Fully Convolutional DenseNets for Automatic Salt Segmentation的研究论文。陈伟博士为该论文唯一通讯作者，合作者包括埃及国家天文与地球物理研究所、美国德州大学奥斯汀分校、中国石油大学（北京）和浙江大学等单位的研究员。

三维盐丘识别对勘探地球物理学和构造地质学的许多研究至关重要。在地震勘探中，三维盐丘识别与速度建模技术直接相关，例如地震偏移和全波形反演。当面对大型三维地震数据时，手动拾取盐丘边界会变得非常耗时。陈伟团队提出了一个高度泛化的全卷积密集连接深度网络框架（如图1所示），用于盐丘边界的自动追踪。所提出的框架是一种监督学习技术，当使用迁移学习和少量训练数据应用于测试数据集和Kaggle TGS 盐丘数据集时，该技术表现出非常优秀的盐丘识别效果和稳健性。该研究提出的盐丘识别技术可以极大地简化地震解释从业人员处理大型三维地震数据的工作，对推动地震资料智能化处理与解释具有重要意义。

该项研究受非常规油气省部共建协同创新中心开放基金（编号：UOG2021-1）和国家自然科学基金（编号：41804140）的联合资助（图2）。据悉，IEEE TNNLS是美国电气和电子工程师协会（IEEE）人工智能及机器学习领域国际顶级期刊，旨在出版神经网络和学习系统方面的理论、设计和应用的技术文章，其2022年度影响因子为14.255，属于中科院一区Top期刊。

图1 全卷积密集连接深度网络框架

图2 研究成果受非常规油气省部共建协同创新中心开放基金资助