論文の概要: One-Class Classification for Wafer Map using Adversarial Autoencoder with DSVDD Prior

• arxiv url: http://arxiv.org/abs/2107.08823v1
• Date: Thu, 15 Jul 2021 05:45:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-21 14:24:23.707032
• Title: One-Class Classification for Wafer Map using Adversarial Autoencoder with DSVDD Prior
• Title（参考訳）: DSVDD前の逆自動エンコーダを用いたウェーハマップの一クラス分類
• Authors: Ha Young Jo, Seong-Whan Lee
• Abstract要約: 本稿では,AAE(Adversarial Autoencoder)とDSVDD(Deep Support Vector Data Description)を用いた一級分類手法を提案する。 We use the WM-811k dataset, which are a real-world wafer map。
• 参考スコア（独自算出の注目度）: 23.390446907674324
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, semiconductors' demand has exploded in virtual reality, smartphones, wearable devices, the internet of things, robotics, and automobiles. Semiconductor manufacturers want to make semiconductors with high yields. To do this, manufacturers conduct many quality assurance activities. Wafer map pattern classification is a typical way of quality assurance. The defect pattern on the wafer map can tell us which process has a problem. Most of the existing wafer map classification methods are based on supervised methods. The supervised methods tend to have high performance, but they require extensive labor and expert knowledge to produce labeled datasets with a balanced distribution in mind. In the semiconductor manufacturing process, it is challenging to get defect data with balanced distribution. In this paper, we propose a one-class classification method using an Adversarial Autoencoder (AAE) with Deep Support Vector Data Description (DSVDD) prior, which generates random vectors within the hypersphere of DSVDD. We use the WM-811k dataset, which consists of a real-world wafer map. We compare the F1 score performance of our model with DSVDD and AAE.
• Abstract（参考訳）: 近年、半導体の需要は、仮想現実、スマートフォン、ウェアラブルデバイス、物のインターネット、ロボティクス、自動車などで爆発的に増えている。 半導体メーカーは高収率の半導体を作りたがっている。 そのため、メーカーは多くの品質保証活動を行っている。 ウェーハマップパターンの分類は品質保証の典型的な方法である。 ウェハマップの欠陥パターンは、どのプロセスに問題があるかを教えてくれます。 既存のウェハマップ分類法の多くは教師付き手法に基づいている。 教師付き手法は高い性能を持つ傾向にあるが、バランスの取れた分布を念頭に置いたラベル付きデータセットを作成するには、広範な労働力と専門家の知識が必要である。 半導体製造プロセスでは, 平衡分布を持つ欠陥データを得るのが困難である。 本稿では,DSVDDのハイパースフィア内における乱ベクトルを生成するDep Support Vector Data Description (DSVDD) を先行した Adversarial Autoencoder (AAE) を用いた一クラス分類法を提案する。 We use the WM-811k dataset, which are a real-world wafer map。 我々のモデルのf1スコア性能をdsvddとaaeと比較した。

関連論文リスト

• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• Wafer Map Defect Patterns Semi-Supervised Classification Using Latent Vector Representation [8.400553138721044]
  集積回路製造段階における欠陥検出の需要はますます重要になりつつある。 従来のウェハマップ欠陥パターン検出法は、電子顕微鏡を用いた手動検査を含む。 手動操作の代わりに欠陥を自動的に検出できるモデルを提案する。
  論文  参考訳（メタデータ） (2023-10-06T08:23:36Z)
• LVLane: Deep Learning for Lane Detection and Classification in Challenging Conditions [2.5641096293146712]
  本稿では,ディープラーニング手法に基づくエンドツーエンドの車線検出・分類システムを提案する。 本研究では,最新技術(SOTA)レーンローカライゼーションモデルにおいて重要な課題を提起するシナリオを包含する,厳密にキュレートされたユニークなデータセットを提案する。 そこで本研究では,CNNをベースとした検知器とシームレスに統合し,異なるレーンの識別を容易にする分類手法を提案する。
  論文  参考訳（メタデータ） (2023-07-13T16:09:53Z)
• AdaNPC: Exploring Non-Parametric Classifier for Test-Time Adaptation [64.9230895853942]
  ドメインの一般化は、ターゲットのドメイン情報を活用することなく、任意に困難にすることができる。 この問題に対処するためにテスト時適応(TTA)手法が提案されている。 本研究では,テスト時間適応(AdaNPC)を行うためにNon-Parametricを採用する。
  論文  参考訳（メタデータ） (2023-04-25T04:23:13Z)
• Consistent Diffusion Models: Mitigating Sampling Drift by Learning to be Consistent [97.64313409741614]
  本稿では, モデルが生成したデータ上での予測が時間とともに一定であることを示す, 両立性特性を強制することを提案する。 CIFAR-10の条件および非条件生成とAFHQとFFHQのベースライン改良について,本研究の新たな訓練目標が得られた。
  論文  参考訳（メタデータ） (2023-02-17T18:45:04Z)
• Deep Open-Set Recognition for Silicon Wafer Production Monitoring [7.7977112365916]
  本稿では,サブマニフォールドスパース畳み込みネットワークに基づくウェハ監視のための包括的パイプラインを提案する。 実験により, サブマニフォールドスパース畳み込みによるWDMの直接処理により, 既知のクラスにおいて優れた分類性能が得られることが示された。 我々のソリューションは、新規性の検出において最先端のオープンセット認識ソリューションより優れています。
  論文  参考訳（メタデータ） (2022-08-30T08:39:52Z)
• Back to the Source: Diffusion-Driven Test-Time Adaptation [77.4229736436935]
  テスト時間適応はテスト入力を利用し、シフトしたターゲットデータ上でテストした場合、ソースデータに基づいてトレーニングされたモデルの精度を向上させる。 代わりに、生成拡散モデルを用いて、すべてのテスト入力をソース領域に向けて投影することで、ターゲットデータを更新する。
  論文  参考訳（メタデータ） (2022-07-07T17:14:10Z)
• Hybrid Model and Data Driven Algorithm for Online Learning of Any-to-Any Path Loss Maps [19.963385352536616]
  デバイス・ツー・アズ・ア・パス・ロス・マップの学習は、デバイス・トゥ・ア・ア・ア・システム(D2D)通信に依存するアプリケーションにとって重要な実現手段となるかもしれない。 モデルに基づく手法は、計算量が少なくて信頼性の高い推定を生成できるという利点がある。 純粋なデータ駆動手法は、物理的なモデルを仮定することなく、優れたパフォーマンスを達成することができる。 本稿では,オンライン手法を用いてデータセットを抽出するハイブリッドモデルとデータ駆動型アプローチを提案する。
  論文  参考訳（メタデータ） (2021-07-14T13:08:25Z)
• Self-Trained One-class Classification for Unsupervised Anomaly Detection [56.35424872736276]
  異常検出(AD)は、製造から医療まで、さまざまな分野に応用されている。 本研究は、トレーニングデータ全体がラベル付けされておらず、正規サンプルと異常サンプルの両方を含む可能性のある、教師なしAD問題に焦点を当てる。 この問題に対処するため,データリファインメントによる堅牢な一級分類フレームワークを構築した。 本手法は6.3AUCと12.5AUCの平均精度で最先端の1クラス分類法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-11T01:36:08Z)
• DASVDD: Deep Autoencoding Support Vector Data Descriptor for Anomaly Detection [9.19194451963411]
  半教師付き異常検出は、通常のデータに基づいて訓練されたモデルを用いて、通常のサンプルから異常を検出することを目的としている。 本稿では,自己エンコーダのパラメータを協調的に学習する手法であるDASVDDを提案する。
  論文  参考訳（メタデータ） (2021-06-09T21:57:41Z)
• Simple and Effective Prevention of Mode Collapse in Deep One-Class Classification [93.2334223970488]
  深部SVDDにおける超球崩壊を防止するための2つの正則化器を提案する。 第1の正則化器は、標準のクロスエントロピー損失によるランダムノイズの注入に基づいている。 第2の正規化器は、小さすぎるとミニバッチ分散をペナライズする。
  論文  参考訳（メタデータ） (2020-01-24T03:44:47Z)

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。