論文の概要: Improving Automated Visual Fault Detection by Combining a Biologically
Plausible Model of Visual Attention with Deep Learning
- arxiv url: http://arxiv.org/abs/2102.06955v1
- Date: Sat, 13 Feb 2021 16:50:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-16 16:13:09.968162
- Title: Improving Automated Visual Fault Detection by Combining a Biologically
Plausible Model of Visual Attention with Deep Learning
- Title（参考訳）: 生物学的にプラズブルな視覚意図モデルと深層学習を組み合わせた視覚障害自動検出の改良
- Authors: Frederik Beuth, Tobias Schlosser, Michael Friedrich, Danny Kowerko
- Abstract要約: 我々は半導体製造領域におけるウエハの欠陥パターンの自動検出の改善に留意する。
ドメインの1つの問題は、欠陥がしばしば非常に小さく、チップまたはウェーハのより大きなサイズ内で検出されなければならないことです。
本稿では,視覚注意と深層ニューラルネットワークのハイブリッドシステムを提案する。
- 参考スコア（独自算出の注目度）: 0.7646713951724012
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: It is a long-term goal to transfer biological processing principles as well
as the power of human recognition into machine vision and engineering systems.
One of such principles is visual attention, a smart human concept which focuses
processing on a part of a scene. In this contribution, we utilize attention to
improve the automatic detection of defect patterns for wafers within the domain
of semiconductor manufacturing. Previous works in the domain have often
utilized classical machine learning approaches such as KNNs, SVMs, or MLPs,
while a few have already used modern approaches like deep neural networks
(DNNs). However, one problem in the domain is that the faults are often very
small and have to be detected within a larger size of the chip or even the
wafer. Therefore, small structures in the size of pixels have to be detected in
a vast amount of image data. One interesting principle of the human brain for
solving this problem is visual attention. Hence, we employ here a biologically
plausible model of visual attention for automatic visual inspection. We propose
a hybrid system of visual attention and a deep neural network. As demonstrated,
our system achieves among other decisive advantages an improvement in accuracy
from 81% to 92%, and an increase in accuracy for detecting faults from 67% to
88%. Hence, the error rates are reduced from 19% to 8%, and notably from 33% to
12% for detecting a fault in a chip. These results show that attention can
greatly improve the performance of visual inspection systems. Furthermore, we
conduct a broad evaluation, identifying specific advantages of the biological
attention model in this application, and benchmarks standard deep learning
approaches as an alternative with and without attention.
This work is an extended arXiv version of the original conference article
published in "IECON 2020", which has been extended regarding visual attention.
- Abstract（参考訳）: 生物学的処理の原則と人間の認識の能力を機械ビジョンや工学システムに移行させることは、長期的な目標である。
そのような原則の1つは、視覚的注意、シーンの一部に処理に焦点を当てたスマートな人間の概念です。
このコントリビューションでは、半導体製造領域におけるウェーハの欠陥パターンの自動検出の改善に注意を払います。
以前は、KNN、SVM、MLPなどの古典的な機械学習アプローチを頻繁に使用していましたが、すでにディープニューラルネットワーク(DNN)のような現代的なアプローチを使用している人もいます。
しかし、ドメインの1つの問題は、欠陥がしばしば非常に小さく、チップまたはウェーハのより大きなサイズ内で検出されなければならないことです。
したがって、ピクセルの大きさの小さな構造は、膨大な量の画像データで検出されなければなりません。
この問題を解決する人間の脳の興味深い原則の1つは視覚的注意である。
そこで我々は,視覚自動検査のための生物学的に妥当な視覚的注意モデルを構築した。
本稿では,視覚注意と深層ニューラルネットワークのハイブリッドシステムを提案する。
実証されたように、当社のシステムは、81%から92%の精度の向上、および67%から88%の欠陥を検出する精度の向上などの決定的な利点を達成しています。
したがって、エラー率は19%から8%に減少し、特にチップの欠陥を検出するために33%から12%に減少します。
これらの結果から,視覚検査システムの性能が大幅に向上することが示唆された。
さらに,本アプリケーションにおける生物学的アテンションモデルの特定の利点を同定し,標準的なディープラーニングアプローチを,注意を伴わない代替手段として評価する。
この研究は"IECON 2020"で公開されたオリジナルのカンファレンス記事の拡張arXivバージョンであり、視覚的注意について拡張されている。
関連論文リスト
- Attention Modules Improve Modern Image-Level Anomaly Detection: A
DifferNet Case Study [2.2942964892621807]
本稿では,SENet と CBAM をバックボーン - AttentDifferNet として活用した DifferNet ベースのソリューションを提案する。
現状と比較すると, AttentDifferNetは, 定量的および定性的な評価とともに, 測定結果の改善を実現していることがわかった。
論文 参考訳（メタデータ） (2024-01-13T03:09:47Z) - MENTOR: Human Perception-Guided Pretraining for Increased Generalization [5.596752018167751]
MENTOR (huMan pErceptioN-guided preTraining fOr increased geneRalization) を紹介する。
我々は、クラスラベルを使わずに、入力された画像からヒトの唾液マップを学習するためにオートエンコーダを訓練する。
我々は、デコーダ部分を取り除き、エンコーダの上に分類層を追加し、従来の新しいモデルを微調整する。
論文 参考訳（メタデータ） (2023-10-30T13:50:44Z) - FuNNscope: Visual microscope for interactively exploring the loss
landscape of fully connected neural networks [77.34726150561087]
ニューラルネットワークの高次元景観特性を探索する方法を示す。
我々は、小さなニューラルネットワークの観測結果をより複雑なシステムに一般化する。
インタラクティブダッシュボードは、いくつかのアプリケーションネットワークを開放する。
論文 参考訳（メタデータ） (2022-04-09T16:41:53Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Where to Look: A Unified Attention Model for Visual Recognition with
Reinforcement Learning [5.247711598719703]
視覚的注意を繰り返すために,トップダウンとボトムアップを一体化することを提案する。
我々のモデルは、画像ピラミッドとQラーニングを利用して、トップダウンアテンションメカニズムにおける関心領域を選択する。
我々は、エンドツーエンドの強化学習フレームワークでモデルをトレーニングし、視覚的分類タスクにおける手法の評価を行う。
論文 参考訳（メタデータ） (2021-11-13T18:44:50Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳（メタデータ） (2021-05-20T18:13:58Z) - Are Convolutional Neural Networks or Transformers more like human
vision? [9.83454308668432]
視覚タスクにおけるCNNよりも注意に基づくネットワークの方が精度が高いことを示す。
これらの結果は、人間の視覚モデルの構築だけでなく、人間の視覚的物体認識の理解にも影響を及ぼす。
論文 参考訳（メタデータ） (2021-05-15T10:33:35Z) - Unlocking Pixels for Reinforcement Learning via Implicit Attention [61.666538764049854]
我々は最近,トランスフォーマーに非常に有効であることが示されている,新しい効率的なアテンションアルゴリズムを利用している。
これにより、注意に基づくコントローラは、より大きな視覚入力にスケールでき、より小さなパッチの使用が容易になります。
さらに,ソフトマックスの注目度をハイブリッドランダム特徴量で近似するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-02-08T17:00:26Z) - Vulnerability Under Adversarial Machine Learning: Bias or Variance? [77.30759061082085]
本研究では,機械学習が訓練された深層ニューラルネットワークのバイアスと分散に与える影響について検討する。
我々の分析は、ディープニューラルネットワークが対向的摂動下で性能が劣っている理由に光を当てている。
本稿では,計算処理の複雑さをよく知られた機械学習手法よりも低く抑えた,新しい逆機械学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-08-01T00:58:54Z) - Cost-effective Interactive Attention Learning with Neural Attention
Processes [79.8115563067513]
対話型注意学習(Interactive Attention Learning, IAL)と呼ばれる対話型学習フレームワークを提案する。
IALは、人間のアノテーションが不足しているため、過度に適合する傾向がある。
我々は,サンプル効率のよい注意機構と,コスト効率のよいインスタンスと機能の再ランクアルゴリズムを提案することで,これらの課題に対処する。
論文 参考訳（メタデータ） (2020-06-09T17:36:41Z) - A 28-nm Convolutional Neuromorphic Processor Enabling Online Learning
with Spike-Based Retinas [1.4425878137951236]
適応エッジコンピューティングとビジョンアプリケーションのための28nmイベント駆動CNN(eCNN)であるSPOONを提案する。
16.8-%のパワーと11.8-%のオーバヘッドしか持たないオンライン学習を、生物学的に証明可能な直接ランダムターゲットプロジェクション(DRTP)アルゴリズムで埋め込んでいる。
0.6Vでの313nJの分類あたりのエネルギーと95.3%(オンチップトレーニング)と97.5%(オフチップトレーニング)のアキュラシーに対する0.32-mm$2$の面積で、SPOONが従来の機械学習アクセラレータの効率に達することを示した。
論文 参考訳（メタデータ） (2020-05-13T13:47:44Z)
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。