Salt segmentation of geophysical images through explainable CNNs

Salt segmentation in seismic images is crucial to identify the correct velocity model that has to be used at migration time to ensure a correct image production. Up to now mi- grated images with incorrect velocity models are interpreted by an expert that has to pick salt bodies by hand, resulting in a slow and costly process. Salt segmentation process can be sped up using segmentation convolutional neural networks (CNNs) to automate (at least partly) the process of salt picking. This thesis tackles the problem of automatic salt segmentation using deep learning. We first propose a salt segmentation CNN. In particular, we perform an extensive testing of different loss functions on a same baseline architecture. We analyze losses using multiple evaluation metrics to have different per- spectives on how effective losses are. Then, we focus on the application of two Explainable AI (XAI) techniques to inspect how salt segmentation CNN interpret different classes of horizon artifacts. In particular, we apply activation maximization (AM) and network inversion (NI) methods to previously trained segmentation CNNs, producing synthetic images that shows how trained CNNs interpret salt bodies, background and other seismic artifacts. AM technique has been mainly used to produce class level images, finding the input images that activates class neurons the most. NI on the other hand shows how an input image is processed by the CNN layer by layer. This technique can be used to find out what part of information is lost and what is kept from one layer to another.

L’identificazione del sale nelle immagini sismiche è un passo cruciale per la valutazione del corretto modello di velocità da applicare durante il processo di migrazione, assicurando così una corretta produzione delle immagini migrate. Allo stato attuale la correzione del modello di velocità dei migrati è affidata ad un esperto che ha il compito di identificare i corpi salini manualmente, risultando in un processo lungo e costoso. Il processo di segmentazione del sale può essere velocizzato considerevolmente usando delle reti neurali convoluzionali per automatizzare, almeno parzialmente, il l’iter di identificazione del sale. Questa tesi affronta il problema di segmentazione automatica dei corpi salini tramite deep learning. Per prima cosa proponiamo un’architettura di rete neurale convoluzionale da utilizzare per la segmentazione, in particolare focalizziamo l’attenzione sul testing e la valutazione di diverse funzioni di loss (a parità di modello) utilizzando svariate metriche, per avere prospettive differenti sull’efficacia di ciascuna di esse. Nella sezione successiva analizziamo in che modo le reti neurali convoluzionali precedentemente allenate interpre- tano le diverse classi di fenomeni sismici presenti nelle immagini tramite l’utilizzo di due diversi metodi di XAI. In particolare applichiamo le tecniche di AM e NI alle reti allenate, producendo immagini artificiali che permettono di comprendere (almeno in parte) come le reti interpretano le diverse classi sismiche, fra cui i corpi salini. Nello specifico la tecnica di AM è stata prevalentemente utilizzata per produrre immagini interpretabili delle classi finali: la tecnica consiste nel trovare l’immagine in input che massimizza l’attivazione di uno specifico neurone di output. La tecnica di NI al contrario mostra come una rete neurale convoluzionale processa l’immagine in input layer per layer, può essere dunque usata per comprendere quale parte di informazione viene scartata e quale ritenuta da un layer al successivo.