論文の概要: Deep Open-Set Recognition for Silicon Wafer Production Monitoring

• arxiv url: http://arxiv.org/abs/2208.14071v1
• Date: Tue, 30 Aug 2022 08:39:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-31 13:09:52.681218
• Title: Deep Open-Set Recognition for Silicon Wafer Production Monitoring
• Title（参考訳）: シリコンウェハ生産モニタリングのための深いオープンセット認識
• Authors: Luca Frittoli, Diego Carrera, Beatrice Rossi, Pasqualina Fragneto, Giacomo Boracchi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.7977112365916
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The chips contained in any electronic device are manufactured over circular silicon wafers, which are monitored by inspection machines at different production stages. Inspection machines detect and locate any defect within the wafer and return a Wafer Defect Map (WDM), i.e., a list of the coordinates where defects lie, which can be considered a huge, sparse, and binary image. In normal conditions, wafers exhibit a small number of randomly distributed defects, while defects grouped in specific patterns might indicate known or novel categories of failures in the production line. Needless to say, a primary concern of semiconductor industries is to identify these patterns and intervene as soon as possible to restore normal production conditions. Here we address WDM monitoring as an open-set recognition problem to accurately classify WDM in known categories and promptly detect novel patterns. In particular, we propose a comprehensive pipeline for wafer monitoring based on a Submanifold Sparse Convolutional Network, a deep architecture designed to process sparse data at an arbitrary resolution, which is trained on the known classes. To detect novelties, we define an outlier detector based on a Gaussian Mixture Model fitted on the latent representation of the classifier. Our experiments on a real dataset of WDMs show that directly processing full-resolution WDMs by Submanifold Sparse Convolutions yields superior classification performance on known classes than traditional Convolutional Neural Networks, which require a preliminary binning to reduce the size of the binary images representing WDMs. Moreover, our solution outperforms state-of-the-art open-set recognition solutions in detecting novelties.
• Abstract（参考訳）: あらゆる電子機器に含まれるチップは、異なる生産段階の検査装置によって監視される円形シリコンウエハで製造される。 検査機械は、ウェハ内の欠陥を検出して検出し、ウェハ欠陥マップ(wdm)を返す。 正常な条件では、ウェーハは少数のランダムに分散した欠陥を示すが、特定のパターンにグループ化された欠陥は、生産ラインにおける既知のまたは新しい障害カテゴリを示す可能性がある。 言うまでもなく、半導体産業の主要な関心事は、これらのパターンを特定し、正常な生産条件を回復するためにできるだけ早く介入することである。 本稿では,wdmを既知のカテゴリに正確に分類し,新しいパターンを迅速に検出するためのオープンセット認識問題として,wdmモニタリングを提案する。 特に,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モニタリングのための包括的なパイプラインを提案する。これは,既知のクラスでトレーニングされたスパースデータを任意の解像度で処理するように設計されているディープアーキテクチャである。 新規性を検出するために,分類器の潜在表現に適合するガウス混合モデルに基づいて,外乱検出器を定義する。 WDMの実際のデータセットに対する実験により、サブマニフォールドスパース畳み込みによる完全分解能WDMの直接処理は、従来の畳み込みニューラルネットワークよりも優れた分類性能を示し、WDMを表すバイナリ画像のサイズを減らすのに予備的なビンニングが必要となる。 さらに,新奇性の検出において,最先端のオープンセット認識ソリューションを上回っている。

関連論文リスト

• M3DM-NR: RGB-3D Noisy-Resistant Industrial Anomaly Detection via Multimodal Denoising [63.39134873744748]
  既存の産業異常検出手法は主に、原始RGB画像を用いた教師なし学習に重点を置いている。 本稿では,CLIPの強力なマルチモーダル識別機能を利用する新しい耐雑音性M3DM-NRフレームワークを提案する。 M3DM-NRは3D-RGBマルチモーダルノイズ異常検出において最先端の手法より優れていた。
  論文  参考訳（メタデータ） (2024-06-04T12:33:02Z)
• Anomaly Detection in Automated Fibre Placement: Learning with Data Limitations [3.103778949672542]
  自動繊維配置における欠陥検出と局所化のための包括的枠組みを提案する。 我々のアプローチは教師なしのディープラーニングと古典的なコンピュータビジョンアルゴリズムを組み合わせる。 様々な表面の問題を効率よく検出し、訓練のために複合部品のイメージを少なくする。
  論文  参考訳（メタデータ） (2023-07-15T22:13:36Z)
• The Eyecandies Dataset for Unsupervised Multimodal Anomaly Detection and Localization [1.3124513975412255]
  Eyecandiesは、教師なしの異常検出とローカライゼーションのための新しいデータセットである。 複数の雷条件下で、手続き的に生成されたキャンディーのフォトリアリスティック画像が制御された環境でレンダリングされる。
  論文  参考訳（メタデータ） (2022-10-10T11:19:58Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
  我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。 この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。 本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-08T04:09:13Z)
• Self-Supervised Predictive Convolutional Attentive Block for Anomaly Detection [97.93062818228015]
  本稿では,再建に基づく機能を,新たな自己監督型予測アーキテクチャビルディングブロックに統合することを提案する。 我々のブロックは、受容領域におけるマスク領域に対する再構成誤差を最小限に抑える損失を備える。 画像やビデオの異常検出のための最先端フレームワークに組み込むことで,ブロックの汎用性を実証する。
  論文  参考訳（メタデータ） (2021-11-17T13:30:31Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)
• Anomaly Detection by One Class Latent Regularized Networks [36.67420338535258]
  近年,GANに基づく半教師付きジェネレーティブ・アドバイザリアル・ネットワーク(GAN)手法が,異常検出タスクで人気を集めている。 遅延特徴空間でトレーニングデータの基盤となる構造を捕捉する新しい対角デュアルオートエンコーダネットワークを提案する。 実験の結果,MNISTおよびCIFAR10データセットおよびGTSRB停止信号データセットの最先端結果が得られた。
  論文  参考訳（メタデータ） (2020-02-05T02:21:52Z)

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。