近日，學院機器學習研究中心張星移（碩士生）、閔帆（教授）、潘樹林（教授）、許瓊（博士生）、閔雪陽（博士生）、宋國杰（教授）、王科（技術總監）合著的論文“DD-Net: Dual decoder network with curriculum learning for full waveform inversion”在《IEEE Transactions on Geoscience and Remote Sensing(TGRS)》上發表。IEEE TGRS是遙感與地球物理領域的頂刊、中科院SCI一區，2024年最新影響因子為8.2。這也是機器學習研究中心（www.fansmale.com）第二次在該刊發表論文。論文鏈接：http://doi.org/10.1109/TGRS.2024.3358492。
此論文提出了一種基于課程學習的雙解碼器網絡來處理全波形反演任務。首先，這種架構以U-Net作為基本骨架，并采用了并列雙解碼器作為多任務學習的組件。主解碼器反演速度值，而輔助解碼器反演邊緣信息，并最終采用交叉熵輔助的雙損失來聯合進行最小化。這種架構在反演速度時可額外將邊緣信息作為約束來反饋到網絡的編碼端，以增強速度模型中邊緣信息的編碼。
同時，論文采用了三個階段的預定義課程學習，從而讓網絡由易到難地掌握地震記錄的特征。這種逐步的學習方式在防止過擬合的基礎上進一步地促進了網絡的泛化性能力。這篇論文的策略在SEG與OpenFWI等全波形反演的開源合成數據集中均獲得了優于其他先進DL-FWI的卓越性能。
張星移同學目前主要從事深度學習的全波形反演領域的研究。此論文為該同學的第二篇SCI論文，此前他還在SCI一區期刊《Information Science》上發表了題為“LSTC: When label-specific features meet third-order label correlations”的多標簽方向論文。
論文鏈接：https://doi.org/10.1016/j.ins.2023.03.056
