The physical basis, parameterization, and assumptions involved in root-mean-square (rms) velocity estimation have not significantly changed since they were first developed. However, these three aspects are all good targets for novel application of the recent emergence of machine learning (ML). Therefore, it is useful at this time to provide a tutorial overview of two state-of-the-art ML implementations; we have designed and evaluated classification and regression neural networks for the extraction of apparent rms velocity trajectories from semblance data. Both networks share a similar end-to-end trainable structure, except for the final layer. In the classification network, the velocity picking is performed by finding the largest amplitude trajectory through all velocity bins. The regression network, on the other hand, applies a differentiable soft-argmax function that converts the feature maps directly to apparent rms velocity values as functions of traveltime. Relative confidence maps can also be estimated from both neural networks. A large number of synthetic models with horizontal layers are created, and common-midpoint gathers are simulated from those models as training samples. Transfer learning is applied to fine-tune the networks with a small number of samples for testing with synthetic and field data from more complicated (2D) models. Tests using synthetic data show that the regression and classification networks can give reasonable velocity predictions from semblances, but the regression network gives higher accuracy.

中文翻译：

---

使用新的深度学习回归策略从相貌中自动选择速度：与分类方法的比较

自从首次开发以来，均方根速度估计中涉及的物理基础，参数化和假设都没有显着变化。但是，这三个方面都是最近出现的机器学习（ML）的新颖应用的良好目标。因此，这时提供两个最先进的ML实现的教程概述很有用；我们已经设计和评估了分类和回归神经网络，用于从相似数据中提取视在均方根速度轨迹。除最后一层外，这两个网络都具有相似的端到端可训练结构。在分类网络中，通过找到所有速度仓中的最大振幅轨迹来执行速度拾取。另一方面，回归网络 应用一个可微的soft-argmax函数，该函数将特征图直接转换为视有效值速度值，作为行程时间的函数。相对置信度图也可以从两个神经网络进行估计。创建了大量具有水平层的合成模型，并从这些模型中模拟出公共中点集作为训练样本。应用转移学习来用少量样本对网络进行微调，以使用来自更复杂（2D）模型的合成和现场数据进行测试。使用合成数据进行的测试表明，回归网络和分类网络可以根据相似程度给出合理的速度预测，但是回归网络可以提供更高的准确性。相对置信度图也可以从两个神经网络进行估计。创建了大量具有水平层的合成模型，并从这些模型中模拟出公共中点集作为训练样本。应用转移学习来用少量样本对网络进行微调，以使用来自更复杂（2D）模型的合成和现场数据进行测试。使用合成数据进行的测试表明，回归网络和分类网络可以根据相似程度给出合理的速度预测，但是回归网络可以提供更高的准确性。相对置信度图也可以从两个神经网络进行估计。创建了大量具有水平层的合成模型，并从这些模型中模拟出公共中点集作为训练样本。应用转移学习来用少量样本对网络进行微调，以使用来自更复杂（2D）模型的合成和现场数据进行测试。使用合成数据进行的测试表明，回归网络和分类网络可以根据相似程度给出合理的速度预测，但是回归网络可以提供更高的准确性。应用转移学习来用少量样本对网络进行微调，以使用来自更复杂（2D）模型的合成和现场数据进行测试。使用合成数据进行的测试表明，回归网络和分类网络可以根据相似程度给出合理的速度预测，但是回归网络可以提供更高的准确性。应用转移学习来用少量样本对网络进行微调，以使用来自更复杂（2D）模型的合成和现场数据进行测试。使用合成数据进行的测试表明，回归网络和分类网络可以根据相似程度给出合理的速度预测，但是回归网络可以提供更高的准确性。