論文の概要: Iterative Cluster Harvesting for Wafer Map Defect Patterns

• arxiv url: http://arxiv.org/abs/2404.15436v1
• Date: Tue, 23 Apr 2024 18:26:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-25 15:23:04.532001
• Title: Iterative Cluster Harvesting for Wafer Map Defect Patterns
• Title（参考訳）: ウェーハマップ欠陥パターンに対する反復的クラスタハーベスティング
• Authors: Alina Pleli, Simon Baeuerle, Michel Janus, Jonas Barth, Ralf Mikut, Hendrik P. A. Lensch,
• Abstract要約: ウェーハマップ欠陥パターンの無監督クラスタリングは、特定の欠陥パターンの出現が著しく異なるため、困難である。 我々は、ウェハマップの欠陥パターンをうまくクラスタリングできる収穫手法を提案する。
• 参考スコア（独自算出の注目度）: 5.8040925094698785
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised clustering of wafer map defect patterns is challenging because the appearance of certain defect patterns varies significantly. This includes changing shape, location, density, and rotation of the defect area on the wafer. We present a harvesting approach, which can cluster even challenging defect patterns of wafer maps well. Our approach makes use of a well-known, three-step procedure: feature extraction, dimension reduction, and clustering. The novelty in our approach lies in repeating dimensionality reduction and clustering iteratively while filtering out one cluster per iteration according to its silhouette score. This method leads to an improvement of clustering performance in general and is especially useful for difficult defect patterns. The low computational effort allows for a quick assessment of large datasets and can be used to support manual labeling efforts. We benchmark against related approaches from the literature and show improved results on a real-world industrial dataset.
• Abstract（参考訳）: ウェーハマップ欠陥パターンの無監督クラスタリングは、特定の欠陥パターンの出現が著しく異なるため、困難である。 これには、ウエハ上の欠陥領域の形状、位置、密度、回転の変化が含まれる。 我々は、ウェハマップの欠陥パターンをうまくクラスタリングできる収穫手法を提案する。 提案手法では,特徴抽出,次元縮小,クラスタリングという,よく知られた3段階の手順を用いる。 このアプローチの斬新さは、そのシルエットスコアに従って、1イテレーション毎に1つのクラスタをフィルタリングしながら、次元削減と反復的にクラスタ化を繰り返していることです。 この手法はクラスタリング性能を全般的に向上させ,特に難解な欠陥パターンに有効である。 計算能力の低い作業は、大規模なデータセットの迅速な評価を可能にし、手動ラベリング作業のサポートに使用することができる。 文献からの関連するアプローチをベンチマークし、実世界の産業データセットで改善された結果を示す。

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)
• Low-Rank Robust Subspace Tensor Clustering for Metro Passenger Flow Modeling [19.907314837560907]
  本研究では, テンソルをベースとした部分空間と異常分解手法を設計し, 同時にロバスト次元の縮小クラスタリングと異常分解を行う。 タッカー分解,スパース異常分解,サブスペースクラスタリングを組み合わせた,新しい低ランクロバストなサブスペースクラスタリング分解モデルを提案する。 実験により提案手法の有効性が証明され,クラスタリング精度が25%向上した。
  論文  参考訳（メタデータ） (2024-04-05T21:00:43Z)
• Deep Clustering with Diffused Sampling and Hardness-aware Self-distillation [4.550555443103878]
  本稿では, 拡散サンプリングと硬度認識型自己蒸留(HaDis)を併用した, エンドツーエンドの深層クラスタリング手法を提案する。 5つの課題の画像データセットの結果は、最先端のHaDis法よりも優れたクラスタリング性能を示している。
  論文  参考訳（メタデータ） (2024-01-25T09:33:49Z)
• Hard Regularization to Prevent Deep Online Clustering Collapse without Data Augmentation [65.268245109828]
  オンラインディープクラスタリング(オンラインディープクラスタリング)とは、機能抽出ネットワークとクラスタリングモデルを組み合わせて、クラスタラベルを処理された各新しいデータポイントまたはバッチに割り当てることである。 オフラインメソッドよりも高速で汎用性が高いが、オンラインクラスタリングは、エンコーダがすべての入力を同じポイントにマッピングし、すべてを単一のクラスタに配置する、崩壊したソリューションに容易に到達することができる。 本稿では,データ拡張を必要としない手法を提案する。
  論文  参考訳（メタデータ） (2023-03-29T08:23:26Z)
• An Embarrassingly Simple Approach for Wafer Feature Extraction and Defect Pattern Recognition [0.0]
  本稿では,ウェハ画像から特徴を抽出する手法を提案する。 提案手法は極めて高速で直感的であり,説明可能でありながら非パラメトリックである。 我々の特徴抽出は、解釈可能性分析によって明らかになったデータポイントの相対的な形状と位置を保ちながら、トレーニングや微調整を必要としない。
  論文  参考訳（メタデータ） (2023-03-21T07:00:13Z)
• Distributed Solution of the Inverse Rig Problem in Blendshape Facial Animation [0.0]
  リグのインバージョンは、アバターの現実的で魅力的なパフォーマンスを可能にするため、顔アニメーションの中心である。 より高速なソリューションへのアプローチとして、顔の空間的性質を活用するクラスタリングがある。 本稿では、重なり合うコンポーネントのより確実な推定を得るために、クラスタ結合を伴ってさらに一歩進める。
  論文  参考訳（メタデータ） (2023-03-11T10:34:07Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Anomaly Clustering: Grouping Images into Coherent Clusters of Anomaly Types [60.45942774425782]
  我々は異常クラスタリングを導入し、その目標はデータを異常型の一貫性のあるクラスタにまとめることである。 これは異常検出とは違い、その目標は異常を通常のデータから分割することである。 パッチベースの事前訓練されたディープ埋め込みとオフザシェルフクラスタリング手法を用いた,単純で効果的なクラスタリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-21T23:11:33Z)
• Correlation Clustering Reconstruction in Semi-Adversarial Models [70.11015369368272]
  相関クラスタリングは多くのアプリケーションにおいて重要なクラスタリング問題である。 本研究では,ランダムノイズや対向的な修正によって崩壊した潜伏クラスタリングを再構築しようとする,この問題の再構築版について検討する。
  論文  参考訳（メタデータ） (2021-08-10T14:46:17Z)
• Progressive Cluster Purification for Unsupervised Feature Learning [48.87365358296371]
  教師なしの特徴学習では、サンプル特異性に基づく手法はクラス間の情報を無視する。 本稿では,プログレッシブクラスタ形成時にクラス不整合サンプルを除外するクラスタリングに基づく新しい手法を提案する。 我々の手法は、プログレッシブ・クラスタ・パーフィケーション(PCP)と呼ばれ、訓練中に徐々にクラスタ数を減らし、プログレッシブ・クラスタリングを実装している。
  論文  参考訳（メタデータ） (2020-07-06T08:11:03Z)

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。