論文の概要: Automatic Error Detection in Integrated Circuits Image Segmentation: A
Data-driven Approach
- arxiv url: http://arxiv.org/abs/2211.03927v1
- Date: Tue, 8 Nov 2022 00:58:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 16:28:14.062582
- Title: Automatic Error Detection in Integrated Circuits Image Segmentation: A
Data-driven Approach
- Title（参考訳）: 集積回路画像分割における誤りの自動検出:データ駆動アプローチ
- Authors: Zhikang Zhang, Bruno Machado Trindade, Michael Green, Zifan Yu,
Christopher Pawlowicz, Fengbo Ren
- Abstract要約: 本稿では,2種類のICセグメンテーションエラーを対象とする,データ駆動型自動エラー検出手法を提案する。
実業界から収集したIC画像データセットにおいて,既存のCNNによる画像分類と画像翻訳のアプローチを,追加の事前処理と後処理技術で適用することにより,エラー検出によりそれぞれ0.92/0.93,エラー検出により0.96/0.90のリコール/精度を達成できることを実証した。
- 参考スコア（独自算出の注目度）: 6.420068890493833
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Due to the complicated nanoscale structures of current integrated
circuits(IC) builds and low error tolerance of IC image segmentation tasks,
most existing automated IC image segmentation approaches require human experts
for visual inspection to ensure correctness, which is one of the major
bottlenecks in large-scale industrial applications. In this paper, we present
the first data-driven automatic error detection approach targeting two types of
IC segmentation errors: wire errors and via errors. On an IC image dataset
collected from real industry, we demonstrate that, by adapting existing
CNN-based approaches of image classification and image translation with
additional pre-processing and post-processing techniques, we are able to
achieve recall/precision of 0.92/0.93 in wire error detection and 0.96/0.90 in
via error detection, respectively.
- Abstract（参考訳）: 現在の集積回路(IC)の複雑なナノスケール構造とICイメージセグメンテーションタスクの低エラー耐性のため、既存のICイメージセグメンテーションのアプローチでは、大規模な産業アプリケーションにおいて大きなボトルネックとなっている正確性を保証するために、人間の視覚的検査を必要とする。
本稿では,2種類のicセグメンテーションエラーを対象とする,最初のデータ駆動型自動エラー検出手法を提案する。
実業界から収集したIC画像データセットにおいて,既存のCNNによる画像分類と画像翻訳のアプローチを,追加の事前処理と後処理技術で適用することにより,ワイヤエラー検出で0.92/0.93,エラー検出で0.96/0.90のリコール/精度が得られることを示した。
関連論文リスト
- A 2D Sinogram-Based Approach to Defect Localization in Computed
Tomography [3.4916237834391874]
画像再構成に頼らずにオブジェクト内の欠陥を特定し解析するための総合的な3段階深層学習アルゴリズムを提案する。
提案手法は, 512画素幅の検出器上での欠陥検出における平均位置誤差1.3ピクセルを用いて, シミュレーションデータ上での92.02%のユニオンの切断を実現する。
論文 参考訳（メタデータ） (2024-01-29T12:20:26Z) - Forgery-aware Adaptive Transformer for Generalizable Synthetic Image
Detection [106.39544368711427]
本研究では,様々な生成手法から偽画像を検出することを目的とした,一般化可能な合成画像検出の課題について検討する。
本稿では,FatFormerという新しいフォージェリー適応トランスフォーマー手法を提案する。
提案手法は, 平均98%の精度でGANを観測し, 95%の精度で拡散モデルを解析した。
論文 参考訳（メタデータ） (2023-12-27T17:36:32Z) - An Improved Anomaly Detection Model for Automated Inspection of Power Line Insulators [0.0]
電力系統の信頼性を確保するためには絶縁体の検査が重要である。
検査プロセスを自動化するために、ディープラーニングがますます活用されています。
本稿では,異常検出とオブジェクト検出の2段階的アプローチを提案する。
論文 参考訳（メタデータ） (2023-11-14T11:36:20Z) - ReContrast: Domain-Specific Anomaly Detection via Contrastive
Reconstruction [29.370142078092375]
殆どの高度な教師なし異常検出(UAD)手法は、大規模データセットで事前訓練された冷凍エンコーダネットワークの特徴表現をモデル化することに依存している。
本稿では,事前学習した画像領域に対するバイアスを低減するために,ネットワーク全体を最適化する新しい疫学的UAD手法であるReContrastを提案する。
2つの一般的な産業欠陥検出ベンチマークと3つの医用画像UADタスクで実験を行い、現在の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-06-05T05:21:15Z) - IH-ViT: Vision Transformer-based Integrated Circuit Appear-ance Defect
Detection [5.4641726517633025]
IC外見欠陥検出アルゴリズム-rithm IH-ViTを提案する。
提案モデルでは,CNN と ViT の強みを生かして,ローカル・グローバル両面から画像特徴を取得する。
提案したハイブリッドIH-ViTモデルの精度は72.51%であり,ResNet50モデルとViTモデルだけでは2.8%,6.06%高かった。
論文 参考訳（メタデータ） (2023-02-09T09:27:40Z) - Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。
核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。
提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
論文 参考訳（メタデータ） (2023-01-24T17:54:01Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - CutPaste: Self-Supervised Learning for Anomaly Detection and
Localization [59.719925639875036]
通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。
まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。
MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
論文 参考訳（メタデータ） (2021-04-08T19:04:55Z) - Collaborative Boundary-aware Context Encoding Networks for Error Map
Prediction [65.44752447868626]
本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。
具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。
AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
論文 参考訳（メタデータ） (2020-06-25T12:42:01Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2020-04-15T06:13:33Z)
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。