論文の概要: Adaptive Defective Area Identification in Material Surface Using Active Transfer Learning-based Level Set Estimation

• arxiv url: http://arxiv.org/abs/2304.01404v1
• Date: Mon, 3 Apr 2023 22:37:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-05 16:08:17.079385
• Title: Adaptive Defective Area Identification in Material Surface Using Active Transfer Learning-based Level Set Estimation
• Title（参考訳）: アクティブトランスファー学習に基づくレベルセット推定による材料表面の適応的欠陥領域同定
• Authors: Shota Hozumi, Kentaro Kutsukake, Kota Matsui, Syunya Kusakawa, Toru Ujihara, Ichiro Takeuchi
• Abstract要約: 材料キャラクタリゼーションでは、材料表面上の欠陥領域を特定することが基本である。 本稿では, 計測資源を優先的に利用して, 欠陥領域の境界を検出する適応マッピング手法を提案する。 提案手法をシリコンウェハの赤ゾーン推定問題に適用し,従来の方法に比べて測定コストが大幅に低い欠陥領域を同定できることを実証した。
• 参考スコア（独自算出の注目度）: 12.739008647041878
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In material characterization, identifying defective areas on a material surface is fundamental. The conventional approach involves measuring the relevant physical properties point-by-point at the predetermined mesh grid points on the surface and determining the area at which the property does not reach the desired level. To identify defective areas more efficiently, we propose adaptive mapping methods in which measurement resources are used preferentially to detect the boundaries of defective areas. We interpret this problem as an active-learning (AL) of the level set estimation (LSE) problem. The goal of AL-based LSE is to determine the level set of the physical property function defined on the surface with as small number of measurements as possible. Furthermore, to handle the situations in which materials with similar specifications are repeatedly produced, we introduce a transfer learning approach so that the information of previously produced materials can be effectively utilized. As a proof-of-concept, we applied the proposed methods to the red-zone estimation problem of silicon wafers and demonstrated that we could identify the defective areas with significantly lower measurement costs than those of conventional methods.
• Abstract（参考訳）: 材料キャラクタリゼーションでは、材料表面上の欠陥領域の同定が基本である。 従来のアプローチでは、表面上の所定のメッシュグリッドポイントにおける関連物理特性をポイント単位で測定し、その特性が所望のレベルに達しない領域を決定する。 より効率的に欠陥領域を同定するために,測定資源を優先的に使用して欠陥領域の境界を検出する適応マッピング手法を提案する。 我々はこの問題をレベルセット推定(LSE)問題のアクティブラーニング(AL)として解釈する。 AL-based LSEの目標は、表面で定義される物理特性関数のレベルセットをできるだけ少数の測定値で決定することである。 さらに, 同様の仕様の材料が繰り返し生産される状況に対処するため, 以前に作成された材料の情報を効果的に活用できるように, 転写学習手法を導入する。 概念実証として,提案手法をシリコンウェハの赤帯推定問題に適用し,従来の手法よりもかなり低い測定コストで欠陥領域を同定できることを実証した。

関連論文リスト

• Sparse Modelling for Feature Learning in High Dimensional Data [0.0]
  本稿では,高次元データセットにおける次元削減と特徴抽出に対する革新的なアプローチを提案する。 提案フレームワークはスパースモデリング技術を包括的パイプラインに統合し,効率的かつ解釈可能な特徴選択を実現する。 我々は、特に木材表面欠陥検出の文脈において、機械学習におけるスパースモデリングの理解と応用を進めることを目的としている。
  論文  参考訳（メタデータ） (2024-09-28T14:17:59Z)
• Embedding Trajectory for Out-of-Distribution Detection in Mathematical Reasoning [50.84938730450622]
  数理推論におけるOOD検出にトラジェクトリボラティリティを用いたトラジェクトリベースのTVスコアを提案する。 本手法は, 数学的推論シナリオ下でのGLM上での従来のアルゴリズムよりも優れる。 提案手法は,複数選択質問などの出力空間における高密度特徴を持つアプリケーションに拡張することができる。
  論文  参考訳（メタデータ） (2024-05-22T22:22:25Z)
• Instance Segmentation of Dislocations in TEM Images [0.0]
  材料科学において, 転位の位置と移動に関する知識は, 優れた特性を持つ新素材を作成する上で重要である。 本研究では,Mask R-CNNやYOLOv8など,最先端のインスタンスセグメンテーション手法を定量的に比較する。 インスタンスセグメンテーションの結果としての転位マスクは数学的直線に変換され、転位長と幾何の定量的解析が可能となる。
  論文  参考訳（メタデータ） (2023-09-07T06:17:31Z)
• Physics-Informed Neural Networks for Material Model Calibration from Full-Field Displacement Data [0.0]
  本研究では,実環境下でのフルフィールド変位と大域力データからモデルのキャリブレーションを行うためのPINNを提案する。 拡張PINNは、実験的な1次元データと合成フルフィールド変位データの両方から材料パラメータを識別できることを実証した。
  論文  参考訳（メタデータ） (2022-12-15T11:01:32Z)
• Learning-based Localizability Estimation for Robust LiDAR Localization [13.298113481670038]
  LiDARベースのローカライゼーションとマッピングは、多くの現代のロボットシステムにおける中核的なコンポーネントの1つである。 本研究では,ロボット動作中の(非)局所性を検出するニューラルネットワークに基づく推定手法を提案する。
  論文  参考訳（メタデータ） (2022-03-11T01:12:00Z)
• Adaptive Surface Normal Constraint for Depth Estimation [102.7466374038784]
  アダプティブサーフェスノーマル(ASN)制約と呼ばれるシンプルで効果的な手法を導入し、深さ推定と幾何学的一貫性を相関させます。 本手法は3次元形状を忠実に再構成でき,境界,鋭角,雑音などの局所形状変化に頑健である。
  論文  参考訳（メタデータ） (2021-03-29T10:36:25Z)
• Surface Warping Incorporating Machine Learning Assisted Domain Likelihood Estimation: A New Paradigm in Mine Geology Modelling and Automation [68.8204255655161]
  新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。 本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。 その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
  論文  参考訳（メタデータ） (2021-02-15T10:37:52Z)
• Detecting Bias in the Presence of Spatial Autocorrelation [3.4990427823966828]
  空間データアプリケーションにおけるバイアスは、下層の空間的自己相関によって理解されることが多い。 本研究は,この効果の存在と強さを検出するための仮説テスト手法を提案する。 次に、空間フィルタリングに基づくアプローチを用いてそれを説明する。
  論文  参考訳（メタデータ） (2021-01-05T18:47:12Z)
• High Dimensional Level Set Estimation with Bayesian Neural Network [58.684954492439424]
  本稿では,ベイズニューラルネットワークを用いた高次元レベル集合推定問題を解く新しい手法を提案する。 各問題に対して対応する理論情報に基づく取得関数を導出してデータポイントをサンプリングする。 合成データセットと実世界データセットの数値実験により,提案手法は既存手法よりも優れた結果が得られることが示された。
  論文  参考訳（メタデータ） (2020-12-17T23:21:53Z)
• Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
  アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。 アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。 本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
  論文  参考訳（メタデータ） (2020-06-28T13:49:30Z)
• Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation [62.29076080124199]
  本稿では,クロスドメインオブジェクト検出のための特徴適応手法を提案する。 粗粒度では、アテンション機構を採用して前景領域を抽出し、その辺縁分布に応じて整列する。 粒度の細かい段階では、同じカテゴリのグローバルプロトタイプと異なるドメインとの距離を最小化することにより、前景の条件分布アライメントを行う。
  論文  参考訳（メタデータ） (2020-03-23T13:40:06Z)

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。