論文の概要: TSV Extrusion Morphology Classification Using Deep Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2009.10692v1
• Date: Tue, 22 Sep 2020 17:05:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-15 22:16:58.137947
• Title: TSV Extrusion Morphology Classification Using Deep Convolutional Neural Networks
• Title（参考訳）: 深層畳み込みニューラルネットワークを用いたtsv押出し形態分類
• Authors: Brendan Reidy, Golareh Jalilvand, Tengfei Jiang, Ramtin Zand
• Abstract要約: 我々は深部畳み込みニューラルネットワーク(CNN)を用いて3次元集積回路(IC)のTSV押出しによるスルーシリコンの形態を分類する。 我々は、WLIから得られた生データを用いて、54x54ピクセルのTSV画像を含むTSV押出形態データセットを作成し、3つの形態分類クラスに分類するプログラムを開発した。 データ拡張とドロップアウトのアプローチを用いて、CNNモデルにおけるオーバーフィットとアンダーフィットのバランスを実現する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we utilize deep convolutional neural networks (CNNs) to classify the morphology of through-silicon via (TSV) extrusion in three dimensional (3D) integrated circuits (ICs). TSV extrusion is a crucial reliability concern which can deform and crack interconnect layers in 3D ICs and cause device failures. Herein, the white light interferometry (WLI) technique is used to obtain the surface profile of the extruded TSVs. We have developed a program that uses raw data obtained from WLI to create a TSV extrusion morphology dataset, including TSV images with 54x54 pixels that are labeled and categorized into three morphology classes. Four CNN architectures with different network complexities are implemented and trained for TSV extrusion morphology classification application. Data augmentation and dropout approaches are utilized to realize a balance between overfitting and underfitting in the CNN models. Results obtained show that the CNN model with optimized complexity, dropout, and data augmentation can achieve a classification accuracy comparable to that of a human expert.
• Abstract（参考訳）: 本稿では,深層畳み込みニューラルネットワーク(cnns)を用いて,3次元(3次元)集積回路(ic)における(tsv)押出によるスルーシリコンのモルフォロジーを分類する。 TSV押出しは、3次元ICにおいて配線層を変形・破砕し、デバイス故障を引き起こす重要な信頼性上の問題である。 ここで、押出tsvの表面形状を得るために、白色光干渉法(wli)技術が用いられる。 我々は、WLIから得られた生データを用いて、54x54ピクセルのTSV画像を含むTSV押出形態データセットを作成し、3つの形態分類クラスに分類するプログラムを開発した。 ネットワークの複雑さが異なる4つのCNNアーキテクチャを実装し,TSV押出形態分類への応用を訓練する。 データ拡張とドロップアウトのアプローチを用いて、CNNモデルにおけるオーバーフィットとアンダーフィットのバランスを実現する。 その結果, CNNモデルでは, 複雑性, ドロップアウト, データの増大が最適化され, 人間の専門知識に匹敵する分類精度が得られた。

関連論文リスト

• Bilinear-Convolutional Neural Network Using a Matrix Similarity-based Joint Loss Function for Skin Disease Classification [3.710922682020501]
  拘束型トリプルトネットワーク(CTN)を用いたBCNNを用いた皮膚疾患分類モデルを提案する。 BCNNは画像データの特徴間の豊富な空間的相互作用をキャプチャできる。 提案モデルは,ディープネットワークからクラス内特徴を抽出するために訓練される。
  論文  参考訳（メタデータ） (2024-06-02T10:19:02Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Decomposing 3D Neuroimaging into 2+1D Processing for Schizophrenia Recognition [25.80846093248797]
  我々は2+1Dフレームワークで3Dデータを処理し、巨大なImageNetデータセット上に事前トレーニングされた強力な2D畳み込みニューラルネットワーク(CNN)ネットワークを利用して3Dニューロイメージング認識を実現することを提案する。 特に3次元磁気共鳴イメージング(MRI)の計測値は、隣接するボクセル位置に応じて2次元スライスに分解される。 グローバルプーリングは、アクティベーションパターンが機能マップ上にわずかに分散されているため、冗長な情報を除去するために適用される。 2次元CNNモデルにより処理されていない3次元の文脈情報を集約するために,チャネルワイドおよびスライスワイズ畳み込みを提案する。
  論文  参考訳（メタデータ） (2022-11-21T15:22:59Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• HIVE-Net: Centerline-Aware HIerarchical View-Ensemble Convolutional Network for Mitochondria Segmentation in EM Images [3.1498833540989413]
  より効率的な2次元畳み込みを用いた3次元空間コンテキスト学習のための新しい階層型ビューアンサンブル畳み込み(HVEC)を提案する。 提案手法は, 精度と画質は良好だが, モデルサイズは大幅に小さく, 最先端の手法に対して好適に機能する。
  論文  参考訳（メタデータ） (2021-01-08T06:56:40Z)
• TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
  2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
  論文  参考訳（メタデータ） (2020-12-26T08:02:56Z)
• Learning Hybrid Representations for Automatic 3D Vessel Centerline Extraction [57.74609918453932]
  3次元医用画像からの血管の自動抽出は血管疾患の診断に不可欠である。 既存の方法では、3次元画像からそのような細い管状構造を分割する際に、抽出された容器の不連続に悩まされることがある。 抽出された船舶の連続性を維持するためには、地球的幾何学を考慮に入れる必要があると論じる。 この課題を解決するためのハイブリッド表現学習手法を提案します。
  論文  参考訳（メタデータ） (2020-12-14T05:22:49Z)
• 3D CNN-PCA: A Deep-Learning-Based Parameterization for Complex Geomodels [9.467521554542271]
  本研究では,複雑な3次元地形モデルのための深層学習に基づく地質パラメータ化アルゴリズムCNN-PCAを開発した。 CNN-PCAは、ジオモデルの低次元主成分分析表現のための後処理として畳み込みニューラルネットワークを使用する。 CNN-PCAはバイモーダルチャネル化システムにおけるESMDAとの履歴マッチングに成功している。
  論文  参考訳（メタデータ） (2020-07-16T17:25:14Z)
• Implicit Convex Regularizers of CNN Architectures: Convex Optimization of Two- and Three-Layer Networks in Polynomial Time [70.15611146583068]
  本稿では,ReLUアクティベーションを用いた畳み込みニューラルネットワーク(CNN)のトレーニングについて検討する。 我々は,データサンプル数,ニューロン数,データ次元に関して,厳密な凸最適化を導入する。
  論文  参考訳（メタデータ） (2020-06-26T04:47:20Z)
• Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
  3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。 局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。 本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
  論文  参考訳（メタデータ） (2020-04-21T13:40:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。