論文の概要: Deep Learning-Based Defect Classification and Detection in SEM Images
- arxiv url: http://arxiv.org/abs/2206.13505v1
- Date: Mon, 20 Jun 2022 16:34:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-04 01:21:00.707187
- Title: Deep Learning-Based Defect Classification and Detection in SEM Images
- Title(参考訳): 深層学習に基づくsem画像の欠陥分類と検出
- Authors: Bappaditya Deya, Dipam Goswamif, Sandip Haldera, Kasem Khalilb,
Philippe Leraya, and Magdy A. Bayoumi
- Abstract要約: 特に、異なるResNet、VGGNetアーキテクチャをバックボーンとして使用するRetinaNetモデルをトレーニングする。
そこで本研究では,異なるモデルからの出力予測を組み合わせることで,欠陥の分類と検出に優れた性能を実現するための選好に基づくアンサンブル戦略を提案する。
- 参考スコア(独自算出の注目度): 1.9206693386750882
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This proposes a novel ensemble deep learning-based model to accurately
classify, detect and localize different defect categories for aggressive
pitches and thin resists (High NA applications).In particular, we train
RetinaNet models using different ResNet, VGGNet architectures as backbone and
present the comparison between the accuracies of these models and their
performance analysis on SEM images with different types of defect patterns such
as bridge, break and line collapses. Finally, we propose a preference-based
ensemble strategy to combine the output predictions from different models in
order to achieve better performance on classification and detection of defects.
As CDSEM images inherently contain a significant level of noise, detailed
feature information is often shadowed by noise. For certain resist profiles,
the challenge is also to differentiate between a microbridge, footing, break,
and zones of probable breaks. Therefore, we have applied an unsupervised
machine learning model to denoise the SEM images to remove the False-Positive
defects and optimize the effect of stochastic noise on structured pixels for
better metrology and enhanced defect inspection. We repeated the defect
inspection step with the same trained model and performed a comparative
analysis for "robustness" and "accuracy" metric with conventional approach for
both noisy/denoised image pair. The proposed ensemble method demonstrates
improvement of the average precision metric (mAP) of the most difficult defect
classes. In this work we have developed a novel robust supervised deep learning
training scheme to accurately classify as well as localize different defect
types in SEM images with high degree of accuracy. Our proposed approach
demonstrates its effectiveness both quantitatively and qualitatively.
- Abstract(参考訳): 本研究では,アグレッシブピッチと薄型レジスト(High NAアプリケーション)の異なる欠陥カテゴリを正確に分類,検出,ローカライズする,新しいアンサンブル深層学習モデルを提案する。
特に、異なるResNet、VGGNetアーキテクチャをバックボーンとして使用するRetinaNetモデルをトレーニングし、これらのモデルの精度と、ブリッジ、ブレーク、ライン崩壊といった異なるタイプの欠陥パターンを持つSEM画像におけるそれらの性能解析の比較を示す。
最後に,異なるモデルからの出力予測を組み合わせることで,欠陥の分類と検出の精度を向上させるための選好に基づくアンサンブル戦略を提案する。
CDSEM画像は本質的にかなりのノイズを含むため、詳細な特徴情報はノイズによって隠蔽されることが多い。
特定のレジストプロファイルでは、マイクロブリッジ、フットリング、ブレイク、および可能性のあるブレークゾーンを区別することが課題である。
そこで我々は, 教師なし機械学習モデルを用いて, SEM画像から偽陽性の欠陥を除去し, 構造画素に対する確率的雑音の影響を最適化し, 精度向上と欠陥検査の強化を実現した。
我々は,同じ訓練モデルで欠陥検査を繰り返すとともに,従来のノイズ/デノベート画像ペアの手法と対比して,ロバスト性と精度の比較分析を行った。
提案手法は,最も難解な欠陥クラスの平均精度測定値(mAP)の改善を示す。
本研究では,SEM画像の様々な欠陥型を高精度に分類し,高精度に局所化するための,頑健な教師付き深層学習訓練手法を開発した。
提案手法は定量的にも定性的にも有効性を示す。
関連論文リスト
- Diffusion Model Driven Test-Time Image Adaptation for Robust Skin Lesion Classification [24.08402880603475]
テストデータ上でのモデルの精度を高めるためのテスト時間画像適応手法を提案する。
拡散モデルを用いて、対象の試験画像をソース領域に投影して修正する。
私たちの手法は、さまざまな汚職、アーキテクチャ、データレシエーションにおいて、堅牢性をより堅牢にします。
論文 参考訳(メタデータ) (2024-05-18T13:28:51Z) - Benchmark Generation Framework with Customizable Distortions for Image
Classifier Robustness [4.339574774938128]
本稿では,画像分類モデルのロバスト性を評価するために,逆ベンチマークを生成する新しいフレームワークを提案する。
当社のフレームワークでは,画像に最適な歪みの種類をカスタマイズすることが可能で,デプロイメントに関連する歪みに対処する上で有効である。
論文 参考訳(メタデータ) (2023-10-28T07:40:42Z) - ExposureDiffusion: Learning to Expose for Low-light Image Enhancement [87.08496758469835]
この研究は、拡散モデルと物理ベースの露光モデルとをシームレスに統合することで、この問題に対処する。
提案手法は,バニラ拡散モデルと比較して性能が大幅に向上し,推論時間を短縮する。
提案するフレームワークは、実際のペア付きデータセット、SOTAノイズモデル、および異なるバックボーンネットワークの両方で動作する。
論文 参考訳(メタデータ) (2023-07-15T04:48:35Z) - Masked Images Are Counterfactual Samples for Robust Fine-tuning [77.82348472169335]
微調整の深層学習モデルは、分布内(ID)性能と分布外(OOD)堅牢性の間のトレードオフにつながる可能性がある。
そこで本研究では,マスク付き画像を対物サンプルとして用いて,ファインチューニングモデルのロバスト性を向上させる新しいファインチューニング手法を提案する。
論文 参考訳(メタデータ) (2023-03-06T11:51:28Z) - Multiscale Structure Guided Diffusion for Image Deblurring [24.09642909404091]
拡散確率モデル (DPM) は画像の劣化に用いられている。
暗黙のバイアスとして、単純だが効果的なマルチスケール構造ガイダンスを導入する。
目に見えないデータのアーティファクトが少ないほど、より堅牢なデブロアリング結果を示します。
論文 参考訳(メタデータ) (2022-12-04T10:40:35Z) - Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。
因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。
また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
論文 参考訳(メタデータ) (2022-03-29T13:07:53Z) - Deblurring via Stochastic Refinement [85.42730934561101]
条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。
提案手法は,PSNRなどの歪み指標の点で競合する。
論文 参考訳(メタデータ) (2021-12-05T04:36:09Z) - A Hierarchical Transformation-Discriminating Generative Model for Few
Shot Anomaly Detection [93.38607559281601]
各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。
この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
論文 参考訳(メタデータ) (2021-04-29T17:49:48Z) - Uncertainty-aware Generalized Adaptive CycleGAN [44.34422859532988]
unpaired image-to-image translationは、教師なしの方法で画像ドメイン間のマッピングを学ぶことを指す。
既存の手法はしばしば、外れ値への堅牢性や予測不確実性を明示的にモデル化せずに決定論的マッピングを学習する。
Uncertainty-aware Generalized Adaptive Cycle Consistency (UGAC) という新しい確率論的手法を提案する。
論文 参考訳(メタデータ) (2021-02-23T15:22:35Z) - Firearm Detection via Convolutional Neural Networks: Comparing a
Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。
これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。
従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文 参考訳(メタデータ) (2020-12-17T15:19:29Z)
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。