主要分为以下几步 数据标准化 特征值排序，检验是否为病态回归问题 若为病态回归问题，则降维处理 建立回归模型，计算回归参数、回归结果 平方和分解 显著性检验 回归直线方程 求解置信区间

使用超分辨率方法对地震速度模型全波形反演结果进行后处理，从而提高地震 速度模型的清晰度。 我在该项目中的工作包括两部分： 基于多任务学习的地震速度模型超分辨率， 地震数据约束下的地震速度模型超分辨率。 全波形反演得到的地震速度模型缺少高频细节，边缘信息缺失明显。因此第一部分工作中使用 sobel 算子得到水平和数直两个方向的边缘信息，然后使用硬参数共享的多任务学习方法，同时提升地震速度模型和两个方向的边缘图像的分辨率。网络采用均方误差与全变差的组合作为损失函数，前者是为了使网络输出拟合高分辨率目标，后者是为了防止引入噪声、限制过拟合。网络模型使用了全局残差连接结构、稠密连接结构、 U-Net 中的编解码结构和局部残差连接结构。地震数据中含有地震速度模型缺乏的高频细节，因此在第二部分工作中，将地震数据及其边缘图像作为额外的辅助任务。 该部分工作中将 6 通道数据分成地震数据和地震速度模型两部分， 通过分步学习的方法充分利用地震数据中的高频信息进一步提升地震速度模型的超分辨率效果。

本人参与的工作 OpenMMLab 是一个适用于学术研究和工业应用的开源项目，涵盖了计算机视觉的许多研究课题，如：图像分类、目标检测、目标分割、超分辨率图像生成等 MMEditing 是基于 PyTorch 的图像&视频编辑开源工具箱。是 OpenMMLab 项目的成员之一。