論文の概要: YOLOv8 for Defect Inspection of Hexagonal Directed Self-Assembly
Patterns: A Data-Centric Approach
- arxiv url: http://arxiv.org/abs/2307.15516v1
- Date: Fri, 28 Jul 2023 12:17:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-31 12:34:38.355560
- Title: YOLOv8 for Defect Inspection of Hexagonal Directed Self-Assembly
Patterns: A Data-Centric Approach
- Title(参考訳): ヘキサゴナル指向自己集合パターンの欠陥検査のためのYOLOv8:データ中心アプローチ
- Authors: Enrique Dehaerne, Bappaditya Dey, Hossein Esfandiar, Lander
Verstraete, Hyo Seon Suh, Sandip Halder, Stefan De Gendt
- Abstract要約: 六角形接触孔DSAパターンのデータセットに対して,コヒーレントかつ完全ラベルを得る手法を提案する。
我々は、最先端のニューラルネットワークであるYOLOv8が、最終データセットで0.9mAP以上の欠陥検出精度を達成することを示す。
- 参考スコア(独自算出の注目度): 6.142308190194335
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Shrinking pattern dimensions leads to an increased variety of defect types in
semiconductor devices. This has spurred innovation in patterning approaches
such as Directed self-assembly (DSA) for which no traditional, automatic defect
inspection software exists. Machine Learning-based SEM image analysis has
become an increasingly popular research topic for defect inspection with
supervised ML models often showing the best performance. However, little
research has been done on obtaining a dataset with high-quality labels for
these supervised models. In this work, we propose a method for obtaining
coherent and complete labels for a dataset of hexagonal contact hole DSA
patterns while requiring minimal quality control effort from a DSA expert. We
show that YOLOv8, a state-of-the-art neural network, achieves defect detection
precisions of more than 0.9 mAP on our final dataset which best reflects DSA
expert defect labeling expectations. We discuss the strengths and limitations
of our proposed labeling approach and suggest directions for future work in
data-centric ML-based defect inspection.
- Abstract(参考訳): パターン寸法の縮小は半導体デバイスにおける様々な欠陥タイプをもたらす。
これは従来の自動欠陥検査ソフトウェアが存在しないdirected self-assembly(dsa)のようなパターン化アプローチの革新を促した。
機械学習に基づくSEM画像解析は、しばしば最高のパフォーマンスを示す教師付きMLモデルによる欠陥検査において、ますます人気のある研究トピックとなっている。
しかし、これらの教師付きモデルの高品質なラベル付きデータセットを得るための研究はほとんど行われていない。
本研究では,DSAの専門家による最小品質制御を必要としながら,六角形接触孔DSAパターンのデータセットのコヒーレントかつ完全ラベルを得る手法を提案する。
最新のニューラルネットワークであるYOLOv8は,DSAの専門家による欠陥ラベル付け期待を反映した最終データセット上で0.9mAP以上の欠陥検出精度を実現する。
提案手法の長所と短所について考察し,データ中心MLに基づく欠陥検査における今後の課題を提案する。
関連論文リスト
- Weakly Supervised Anomaly Detection via Knowledge-Data Alignment [24.125871437370357]
マルウェア検出、マネーロンダリング、デバイス障害検出、ネットワーク障害解析など、多数のWebベースのアプリケーションにおいて、異常検出が重要な役割を果たす。
Weakly Supervised Anomaly Detection (WSAD) が導入された。
本稿では,ルール知識を統合するための知識データアライメント(KDAlign)について紹介する。
論文 参考訳(メタデータ) (2024-02-06T07:57:13Z) - Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。
本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
論文 参考訳(メタデータ) (2024-01-06T07:30:41Z) - Improved Defect Detection and Classification Method for Advanced IC
Nodes by Using Slicing Aided Hyper Inference with Refinement Strategy [0.11184789007828977]
近年,高NA (Numerical Aperture) EUVL(Extreme-Ultraviolet-Lithography)パラダイムへの進展が進んでいる。
しかし、欠陥の顕著な増加と欠陥検出の複雑さは、高NAでより顕著になる。
本研究では,スライシング・エイドド・ハイパー推論(SAHI, Slicing Aided Hyper Inference)フレームワークの現行技術の改善について検討する。
論文 参考訳(メタデータ) (2023-11-19T22:24:19Z) - CL-Flow:Strengthening the Normalizing Flows by Contrastive Learning for
Better Anomaly Detection [1.951082473090397]
コントラスト学習と2D-Flowを組み合わせた自己教師付き異常検出手法を提案する。
本手法は,主流の教師なし手法と比較して,検出精度が向上し,モデルパラメータが減少し,推論速度が向上することを示す。
BTADデータセットでは,MVTecADデータセットでは画像レベルのAUROCが99.6%,BTADデータセットでは画像レベルのAUROCが96.8%であった。
論文 参考訳(メタデータ) (2023-11-12T10:07:03Z) - An Outlier Exposure Approach to Improve Visual Anomaly Detection
Performance for Mobile Robots [76.36017224414523]
移動ロボットの視覚異常検出システム構築の問題点を考察する。
標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。
本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
論文 参考訳(メタデータ) (2022-09-20T15:18:13Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Out-Of-Bag Anomaly Detection [0.9449650062296822]
データ異常は、実世界のデータセットでユビキタスであり、機械学習(ML)システムに悪影響を及ぼす可能性がある。
本稿では,新しいモデルに基づく異常検出手法を提案し,その手法をアウト・オブ・バグ検出と呼ぶ。
本手法は,家庭評価のケーススタディを通じて,データ前処理のステップとして,MLシステムの精度と信頼性を向上させることができることを示す。
論文 参考訳(メタデータ) (2020-09-20T06:01:52Z) - 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) - 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) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳(メタデータ) (2020-03-11T00:22:50Z)
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。