14ago2026
08:00 Defesa de Mestrado Sala 85 do IC2
Tema
Extração de Características Sísmicas através de Autoencoders Mascarados ViT para Aprendizado com Poucos Exemplos
Aluno
Fernando Gubitoso Marques
Orientador / Docente
Edson Borin
Breve resumo
A interpretação sísmica é um processo fundamental na exploração geológica, com um grande incentivo para a automação devido ao seu alto custo e ao tempo necessário para sua utilização. Embora o aprendizado profundo tenha se mostrado promissor na automatização dessa tarefa, os modelos tradicionais de aprendizado supervisionado sofrem com a insuficiência de conjuntos de dados rotulados. Esta dissertação investiga a utilidade da técnica de aprendizado auto-supervisionado Vision Transformer Masked Autoencoder (ViT MAE) como uma forma de extração de características e inicialização de pesos para redes neurais, com ênfase especial no cenário de aprendizado com poucos exemplos.
Compara-se a utilidade do pré-treinamento de backbones ViT com dados sísmicos em relação a pesos pré-treinados no domínio de imagens naturais e contra treinamento supervisionado direto. A qualidade da extração de características é então avaliada qualitativa e quantitativamente.
Duas tarefas-alvo subsequentes são empregadas: segmentação de fácies sísmicas e predição dos atributos sísmicos Envelope, Dissimilaridade GLCM e GST3D-Azm. Os protocolos experimentais incluem avaliação linear com backbones fixos, ajuste fino completo e avaliação com cabeças de predição expressivas. Este estudo utiliza o conjunto de dados Parihaka, disponível publicamente, e apresenta uma técnica hierárquica para construir subconjuntos de treinamento, de forma que o desempenho dos modelos pode ser analisado em diferentes ordens de magnitude de disponibilidade de dados.
Os resultados experimentais demonstram que modelos pré-treinados também apresentam desempenho igual ou superior aos seus equivalentes supervisionados. Essas melhorias são especialmente significativas em cenários com poucos exemplos. O pré-treinamento sísmico demonstrou produzir extratores de características superiores ao pré-treinamento entre domínios, mas isso não leva necessariamente a métricas superiores em tarefas subsequentes em todos os casos. Este estudo também identifica limitações, principalmente na predição do atributo GST3D-Azm, sugerindo que a tarefa de pretexto ViT MAE atual pode ter dificuldades com atributos geológicos descontínuos ou inerentemente tridimensionais.
Banca examinadora
Titulares:
| Edson Borin | IC/UNICAMP |
| Edson Takashi Matsubara | FACOM/UFMS |
| Gerberth Adín Ramírez Rivera | UiO/Noruega |
Suplentes:
| João Meidanis | IC/UNICAMP |
| Ricardo Marcondes Marcacini | ICMC/USP |