論文の概要: SEMI-CenterNet: A Machine Learning Facilitated Approach for
Semiconductor Defect Inspection
- arxiv url: http://arxiv.org/abs/2308.07180v2
- Date: Tue, 15 Aug 2023 16:58:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-16 15:27:20.505694
- Title: SEMI-CenterNet: A Machine Learning Facilitated Approach for
Semiconductor Defect Inspection
- Title（参考訳）: SEMI-CenterNet:半導体欠陥検査のための機械学習ファシリテートアプローチ
- Authors: Vic De Ridder, Bappaditya Dey, Enrique Dehaerne, Sandip Halder, Stefan
De Gendt, Bartel Van Waeyenberge
- Abstract要約: 我々は半導体ウエハ欠陥のSEM画像に基づいて学習したカスタマイズCNアーキテクチャであるSEMI-CenterNet(SEMI-CN)を提案する。
SEMI-CNは、欠陥インスタンスの中心、クラス、サイズ、オフセットを出力するように訓練される。
2つのデータセットでSEMI-CNをトレーニングし、2つのResNetバックボーンをベンチマークします。
- 参考スコア（独自算出の注目度）: 0.10555513406636088
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Continual shrinking of pattern dimensions in the semiconductor domain is
making it increasingly difficult to inspect defects due to factors such as the
presence of stochastic noise and the dynamic behavior of defect patterns and
types. Conventional rule-based methods and non-parametric supervised machine
learning algorithms like KNN mostly fail at the requirements of semiconductor
defect inspection at these advanced nodes. Deep Learning (DL)-based methods
have gained popularity in the semiconductor defect inspection domain because
they have been proven robust towards these challenging scenarios. In this
research work, we have presented an automated DL-based approach for efficient
localization and classification of defects in SEM images. We have proposed
SEMI-CenterNet (SEMI-CN), a customized CN architecture trained on SEM images of
semiconductor wafer defects. The use of the proposed CN approach allows
improved computational efficiency compared to previously studied DL models.
SEMI-CN gets trained to output the center, class, size, and offset of a defect
instance. This is different from the approach of most object detection models
that use anchors for bounding box prediction. Previous methods predict
redundant bounding boxes, most of which are discarded in postprocessing. CN
mitigates this by only predicting boxes for likely defect center points. We
train SEMI-CN on two datasets and benchmark two ResNet backbones for the
framework. Initially, ResNet models pretrained on the COCO dataset undergo
training using two datasets separately. Primarily, SEMI-CN shows significant
improvement in inference time against previous research works. Finally,
transfer learning (using weights of custom SEM dataset) is applied from ADI
dataset to AEI dataset and vice-versa, which reduces the required training time
for both backbones to reach the best mAP against conventional training method.
- Abstract（参考訳）: 半導体領域におけるパターン次元の連続的縮小は、確率的ノイズの存在や欠陥パターンやタイプの動的挙動などの要因により、欠陥の検査がますます困難になっている。
従来のルールベースの手法とKNNのような非パラメトリック教師付き機械学習アルゴリズムは、これらの先進ノードでの半導体欠陥検査の要求でほとんど失敗する。
ディープラーニング(DL)ベースの手法は、これらの困難なシナリオに対して堅牢であることが証明されたため、半導体欠陥検査領域で人気を集めている。
本研究では,SEM画像における欠陥の局所化と分類を効率的に行うためのDLベースの自動手法を提案する。
我々は半導体ウエハ欠陥のSEM画像に基づいて学習したカスタマイズCNアーキテクチャであるSEMI-CenterNet(SEMI-CN)を提案する。
提案手法を用いることで,従来のDLモデルと比較して計算効率が向上する。
SEMI-CNは、欠陥インスタンスの中心、クラス、サイズ、オフセットを出力するように訓練される。
これは、バウンディングボックス予測にアンカーを使用するほとんどのオブジェクト検出モデルのアプローチとは異なる。
従来の手法では冗長なバウンディングボックスを予測するが、そのほとんどが後処理で破棄される。
cnは、おそらく欠陥中心点のボックスを予測するだけでこれを緩和する。
2つのデータセットでSEMI-CNをトレーニングし、2つのResNetバックボーンをベンチマークします。
当初、ResNetモデルはCOCOデータセット上で2つのデータセットを別々にトレーニングしていた。
主に、SEMI-CNは、以前の研究結果に対する推論時間を大幅に改善した。
最後に、トランスファーラーニング(カスタムSEMデータセットの重みを使用する)をADIデータセットからAEIデータセットとバイスリバーサに適用することで、従来のトレーニング手法に対して最高のmAPに達するために必要なトレーニング時間を短縮する。
関連論文リスト
- SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。
本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
論文 参考訳（メタデータ） (2024-07-23T20:34:23Z) - An Evaluation of Continual Learning for Advanced Node Semiconductor Defect Inspection [0.11184789007828977]
本研究は,半導体欠陥検査におけるタスクに依存しないメタラーニング手法を提案する。
新しい欠陥クラスとスケールの漸進的な追加を可能にし、より堅牢で一般化されたモデルを作成する。
我々は、ADIとAEIの2つのプロセスステップに対して、実際のレジストウェハSEM(Scanning Electron Microscopy)データセットを用いて、我々のアプローチをベンチマークした。
論文 参考訳（メタデータ） (2024-07-17T16:41:22Z) - Self-Supervised Dual Contouring [30.9409064656302]
本稿ではニューラルデュアルコンチューリングメッシュフレームワークのための自己教師型トレーニングスキームを提案する。
生成メッシュ間の距離の整合性を促進する2つの新しい自己教師付き損失関数を用いる。
単視点再構成作業における自己監督的損失によりメッシュ性能が向上することが実証された。
論文 参考訳（メタデータ） (2024-05-28T12:44:28Z) - 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) - Conditional Mutual Information Constrained Deep Learning for
Classification [3.5237980787861964]
分類深層ニューラルネットワーク(DNN)の濃度と性能を測定するために、条件付き相互情報(CMI)と正規化条件付き相互情報(NCMI)を導入する。
NCMIを用いて、画像ネット上で事前訓練された一般的なDNNを評価することにより、画像ネット検証データセットに対する検証精度は、NCMI値にほぼ逆比例していることが示されている。
このような制約付き最適化問題を解くために,新しい交互学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-17T01:16:45Z) - SEMI-DiffusionInst: A Diffusion Model Based Approach for Semiconductor
Defect Classification and Segmentation [0.11999555634662631]
この研究は拡散モデルを用いて半導体欠陥パターンを正確に検出し、正確にセグメント化する最初の実演である。
提案手法は,mAP全体のこれまでの成果よりも優れており,ほぼすべての欠陥クラスに対して比較的優れた性能を示す。
論文 参考訳（メタデータ） (2023-07-17T17:53:36Z) - Defect Classification in Additive Manufacturing Using CNN-Based Vision
Processing [76.72662577101988]
本稿では、まず、畳み込みニューラルネットワーク(CNN)を用いて、画像データセットの欠陥をAMから第2に正確に分類し、発達した分類モデルにアクティブラーニング技術を適用する。
これにより、トレーニングデータやトレーニングデータの生成に必要なデータのサイズを削減できる、ヒューマン・イン・ザ・ループ機構の構築が可能になる。
論文 参考訳（メタデータ） (2023-07-14T14:36:58Z) - Bridging Precision and Confidence: A Train-Time Loss for Calibrating
Object Detection [58.789823426981044]
本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。
その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
論文 参考訳（メタデータ） (2023-03-25T08:56:21Z) - WaferSegClassNet -- A Light-weight Network for Classification and
Segmentation of Semiconductor Wafer Defects [3.1806743741013648]
本稿では,エンコーダ-デコーダアーキテクチャに基づく新しいネットワークである WaferSegClassNet (WSCN) について述べる。
WSCNは単一および混合型ウェハ欠陥の同時分類とセグメンテーションを行う。
MixedWM38データセットでセグメンテーション結果を示すのはこれが初めてです。
論文 参考訳（メタデータ） (2022-07-03T05:46:19Z) - Fine-grained Data Distribution Alignment for Post-Training Quantization [100.82928284439271]
学習後量子化の性能を高めるために,データ分散アライメント(FDDA)法を提案する。
提案手法は,特に第1層と第2層が低ビットに量子化されている場合,ImageNet上での最先端性能を示す。
論文 参考訳（メタデータ） (2021-09-09T11:45:52Z) - Revisiting Initialization of Neural Networks [72.24615341588846]
ヘッセン行列のノルムを近似し, 制御することにより, 層間における重みのグローバルな曲率を厳密に推定する。
Word2Vec と MNIST/CIFAR 画像分類タスクの実験により,Hessian ノルムの追跡が診断ツールとして有用であることが確認された。
論文 参考訳（メタデータ） (2020-04-20T18:12:56Z)
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。