近日，学院机器学习研究中心张星移（硕士生）、闵帆（教授）、潘树林（教授）、许琼（博士生）、闵雪阳（博士生）、宋国杰（教授）、王科（技术总监）合著的论文“DD-Net: Dual decoder network with curriculum learning for full waveform inversion”在《IEEE Transactions on Geoscience and Remote Sensing(TGRS)》上发表。IEEE TGRS是遥感与地球物理领域的顶刊、中科院SCI一区，2024年最新影响因子为8.2。这也是机器学习研究中心（www.fansmale.com）第二次在该刊发表论文。论文链接：http://doi.org/10.1109/TGRS.2024.3358492。

此论文提出了一种基于课程学习的双解码器网络来处理全波形反演任务。首先，这种架构以U-Net作为基本骨架，并采用了并列双解码器作为多任务学习的组件。主解码器反演速度值，而辅助解码器反演边缘信息，并最终采用交叉熵辅助的双损失来联合进行最小化。这种架构在反演速度时可额外将边缘信息作为约束来反馈到网络的编码端，以增强速度模型中边缘信息的编码。

同时，论文采用了三个阶段的预定义课程学习，从而让网络由易到难地掌握地震记录的特征。这种逐步的学习方式在防止过拟合的基础上进一步地促进了网络的泛化性能力。这篇论文的策略在SEG与OpenFWI等全波形反演的开源合成数据集中均获得了优于其他先进DL-FWI的卓越性能。

张星移同学目前主要从事深度学习的全波形反演领域的研究。此论文为该同学的第二篇SCI论文，此前他还在SCI一区期刊《Information Science》上发表了题为“LSTC: When label-specific features meet third-order label correlations”的多标签方向论文。

论文链接：https://doi.org/10.1016/j.ins.2023.03.056