論文の概要: Semiconductor Defect Pattern Classification by Self-Proliferation-and-Attention Neural Network

• arxiv url: http://arxiv.org/abs/2212.00345v1
• Date: Thu, 1 Dec 2022 08:17:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 17:07:45.445724
• Title: Semiconductor Defect Pattern Classification by Self-Proliferation-and-Attention Neural Network
• Title（参考訳）: 自己増殖型ニューラルネットワークによる半導体欠陥パターンの分類
• Authors: YuanFu Yang, Min Sun
• Abstract要約: 欠陥分類をより効率的に行うことができる新しいアーキテクチャを提案する。 第一の関数は自己増殖であり、一連の線形変換を用いて低コストでより多くの特徴写像を生成する。 第2の機能は自己注意であり、チャネルワイドおよび空間ワイドアテンション機構により特徴写像の長距離依存性をキャプチャする。 他の最新の手法と比較すると、多くの欠陥検査タスクにおいてSP&A-Netは精度が高く、低コストである。
• 参考スコア（独自算出の注目度）: 30.329065698451902
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semiconductor manufacturing is on the cusp of a revolution: the Internet of Things (IoT). With IoT we can connect all the equipment and feed information back to the factory so that quality issues can be detected. In this situation, more and more edge devices are used in wafer inspection equipment. This edge device must have the ability to quickly detect defects. Therefore, how to develop a high-efficiency architecture for automatic defect classification to be suitable for edge devices is the primary task. In this paper, we present a novel architecture that can perform defect classification in a more efficient way. The first function is self-proliferation, using a series of linear transformations to generate more feature maps at a cheaper cost. The second function is self-attention, capturing the long-range dependencies of feature map by the channel-wise and spatial-wise attention mechanism. We named this method as self-proliferation-and-attention neural network. This method has been successfully applied to various defect pattern classification tasks. Compared with other latest methods, SP&A-Net has higher accuracy and lower computation cost in many defect inspection tasks.
• Abstract（参考訳）: 半導体製造は、モノのインターネット(IoT)という革命の頂点にある。 IoTを使うことで、すべての機器を接続し、情報を工場に戻すことで、品質上の問題を検出することができます。 この状況では、ウエハ検査装置にますます多くのエッジ装置が使用されている。 このエッジデバイスには、欠陥を迅速に検出する能力が必要です。 したがって、エッジデバイスに適した自動欠陥分類のための高効率アーキテクチャを開発することが主な課題である。 本稿では,欠陥分類をより効率的に行うことができる新しいアーキテクチャを提案する。 最初の関数は自己増殖であり、一連の線形変換を使ってより安価なコストでより多くの特徴マップを生成する。 第2の機能は自己注意であり、チャネルワイドおよび空間ワイドアテンション機構により特徴写像の長距離依存性をキャプチャする。 我々はこの手法を自己増殖型ニューラルネットワークと命名した。 この手法は様々な欠陥パターン分類タスクに適用されている。 他の最新の手法と比較すると、多くの欠陥検査タスクにおいてSP&A-Netは精度が高く、計算コストも低い。

関連論文リスト

• CINFormer: Transformer network with multi-stage CNN feature injection for surface defect segmentation [73.02218479926469]
  表面欠陥分割のための多段CNN特徴注入を用いた変圧器ネットワークを提案する。 CINFormerは、入力画像のマルチレベルCNN機能をエンコーダ内のトランスフォーマーネットワークの異なるステージに注入する、シンプルだが効果的な機能統合機構を提供する。 さらに、CINFormerはTop-Kセルフアテンションモジュールを提供し、欠陥に関するより重要な情報を持つトークンにフォーカスする。
  論文  参考訳（メタデータ） (2023-09-22T06:12:02Z)
• 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)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• DLDNN: Deterministic Lateral Displacement Design Automation by Neural Networks [1.8365768330479992]
  本稿では、決定論的側方変位(DLD)問題に対処する高速多目的設計自動化プラットフォームについて検討する。 畳み込みニューラルネットワークと人工ニューラルネットワークを用いて、様々なDLD構成の速度場と臨界径を学習した。 開発ツールは12の臨界条件でテストされ、4%未満の誤差で確実に実行された。
  論文  参考訳（メタデータ） (2022-08-30T14:38:17Z)
• Self-Healing Robust Neural Networks via Closed-Loop Control [23.360913637445964]
  典型的な自己修復機構は人体の免疫系である。 本稿では,ニューラルネットワークの学習後の自己修復について考察する。 本研究では,様々な攻撃や摂動によるエラーを自動的に検出し,修正するクローズドループ制御式を提案する。
  論文  参考訳（メタデータ） (2022-06-26T20:25:35Z)
• SFFDD: Deep Neural Network with Enriched Features for Failure Prediction with Its Application to Computer Disk Driver [0.0]
  多変量時系列センサデータを可視化と計算の両方のための画像として扱う。 特徴の導出に加えて、アンサンブル法はパフォーマンスをさらに向上するために用いられる。 提案手法は,ストレージシステムの可用性向上とデータ損失回避のために,コンピュータディスクドライブの早期故障予測に応用する。
  論文  参考訳（メタデータ） (2021-09-20T21:43:43Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• Robust error bounds for quantised and pruned neural networks [1.8083503268672914]
  機械学習のアルゴリズムは、データとアルゴリズムを保存し、訓練し、デバイス上でローカルに分散化しようとしている。 デバイスハードウェアは、このセットアップにおけるモデル機能の主要なボトルネックとなり、スリム化され、より効率的なニューラルネットワークの必要性を生み出します。 半確定プログラムを導入して、ニューラルネットワークのプルーニングや定量化による最悪のケースエラーをバインドする。 計算されたバウンダリは、安全クリティカルなシステムにデプロイした場合に、これらのアルゴリズムの性能に確実性をもたらすことが期待されている。
  論文  参考訳（メタデータ） (2020-11-30T22:19:44Z)
• Intra Order-preserving Functions for Calibration of Multi-Class Neural Networks [54.23874144090228]
  一般的なアプローチは、元のネットワークの出力をキャリブレーションされた信頼スコアに変換する、ポストホックキャリブレーション関数を学ぶことである。 以前のポストホックキャリブレーション技術は単純なキャリブレーション機能でしか機能しない。 本稿では,順序保存関数のクラスを表すニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-03-15T12:57:21Z)
• Detection Method Based on Automatic Visual Shape Clustering for Pin-Missing Defect in Transmission Lines [1.602803566465659]
  ボルトは送電線で最も多くのファスナーであり、分割ピンを失う傾向にある。 タイムリーかつ効率的なトラブルシューティングを実現するために,伝送線路のボルトの自動ピン欠落検出を実現する方法は難しい問題である。 本稿では、ピン欠落検出のためのAVSCNet(Automatic Visual Shape Clustering Network)と呼ばれる自動検出モデルを構築した。
  論文  参考訳（メタデータ） (2020-01-17T10:57:37Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。