在CNN中，通过卷积的引入能够很好的对图片进行分类，但是如何识别图片中的物体依然是一个难题。CNN会在卷积层之后接入若干全连接层，将卷积层产生的特征图映射为固定长度的特征向量进行输出，每个值代表样本属于某个类别的概率。

全卷积网络（Fully Convolutional Nerworks，FCN）则是抛弃最终的全连接层，直接对图像进行像素级的分类，在FCN中将引入反卷积层将对卷积层的输出进行采样恢复为输入图像的大小，从而对每个像素产生一个预测值，最后逐个像素计算softmax分类损失获取最终分类预测。

arxiv链接：arxiv.org/abs/1902.06267

传统方法通过层析成像或者FWI直接获取地址速度，但是这种方法太耗时且资源消耗大，并且依赖人工交互来控制质量。这篇论文提出了一种基于监督学习深度全卷积神经网络，直接从地震图中构建速度模型（Velocity-Model Building）。该方法与传统方法的最大区别便是其基于大数据训练而不是先验知识假设。