論文の概要: SEM-CLIP: Precise Few-Shot Learning for Nanoscale Defect Detection in Scanning Electron Microscope Image

• arxiv url: http://arxiv.org/abs/2502.14884v1
• Date: Sat, 15 Feb 2025 14:06:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-02 02:51:37.620439
• Title: SEM-CLIP: Precise Few-Shot Learning for Nanoscale Defect Detection in Scanning Electron Microscope Image
• Title（参考訳）: SEM-CLIP:走査型電子顕微鏡画像におけるナノスケール欠陥検出のための精密Few-Shot Learning
• Authors: Qian Jin, Yuqi Jiang, Xudong Lu, Yumeng Liu, Yining Chen, Dawei Gao, Qi Sun, Cheng Zhuo,
• Abstract要約: そこで本研究では, 欠陥分類とセグメンテーションの精度向上のために, SEM-CLIP という新しい数ショット学習手法を提案する。 我々は、ドメイン知識に富んだテキストプロンプトを事前情報として使用し、正確な分析を支援する。 SEM-CLIPはアノテートデータはほとんど必要とせず、半導体産業における労働需要を大幅に減少させる。
• 参考スコア（独自算出の注目度）: 27.17821452832534
• License:
• Abstract: In the field of integrated circuit manufacturing, the detection and classification of nanoscale wafer defects are critical for subsequent root cause analysis and yield enhancement. The complex background patterns observed in scanning electron microscope (SEM) images and the diverse textures of the defects pose significant challenges. Traditional methods usually suffer from insufficient data, labels, and poor transferability. In this paper, we propose a novel few-shot learning approach, SEM-CLIP, for accurate defect classification and segmentation. SEM-CLIP customizes the Contrastive Language-Image Pretraining (CLIP) model to better focus on defect areas and minimize background distractions, thereby enhancing segmentation accuracy. We employ text prompts enriched with domain knowledge as prior information to assist in precise analysis. Additionally, our approach incorporates feature engineering with textual guidance to categorize defects more effectively. SEM-CLIP requires little annotated data, substantially reducing labor demands in the semiconductor industry. Extensive experimental validation demonstrates that our model achieves impressive classification and segmentation results under few-shot learning scenarios.
• Abstract（参考訳）: 集積回路製造の分野では、ナノスケールウェハ欠陥の検出と分類がその後の根本原因分析および収量向上に重要である。 走査型電子顕微鏡(SEM)画像で観察される複雑な背景パターンと欠陥の多様なテクスチャは重要な課題である。 従来の手法は通常、不十分なデータ、ラベル、転送性に悩まされる。 本稿では, 精度の高い欠陥分類とセグメンテーションのための, SEM-CLIP を新たに提案する。 SEM-CLIP は Contrastive Language-Image Pretraining (CLIP) モデルをカスタマイズし、欠陥領域に焦点を合わせ、バックグラウンドの障害を最小化し、セグメンテーション精度を高める。 我々は、ドメイン知識に富んだテキストプロンプトを事前情報として使用し、正確な分析を支援する。 さらに,本手法では,欠陥をより効果的に分類するために,機能工学とテキスト指導を取り入れている。 SEM-CLIPはアノテートデータはほとんど必要とせず、半導体産業における労働需要を大幅に減少させる。 大規模な実験検証により,本モデルが数ショットの学習シナリオ下で,印象的な分類とセグメンテーションを達成できることが実証された。

関連論文リスト

• What Really Matters for Learning-based LiDAR-Camera Calibration [50.2608502974106]
  本稿では,学習に基づくLiDAR-Cameraキャリブレーションの開発を再考する。 我々は、広く使われているデータ生成パイプラインによる回帰ベースの手法の限界を識別する。 また,入力データ形式と前処理操作がネットワーク性能に与える影響についても検討する。
  論文  参考訳（メタデータ） (2025-01-28T14:12:32Z)
• Improving the Precision of CNNs for Magnetic Resonance Spectral Modeling [4.638569496003459]
  機械学習を使ってMSS関連の量を予測することで、この問題に対処できるが、ディープラーニングモデルは独自の課題をもたらす。 この研究は、より包括的なエラー特徴付けが重要である理由と、スペクトルモデリングのためのCNNの精度を改善する方法について強調する。
  論文  参考訳（メタデータ） (2024-09-10T16:02:12Z)
• Improving Vision Anomaly Detection with the Guidance of Language Modality [64.53005837237754]
  本稿では,マルチモーダルの観点から視覚モダリティの課題に取り組む。 本稿では,冗長な情報問題とスパース空間問題に対処するために,クロスモーダルガイダンス(CMG)を提案する。 視覚異常検出のためのよりコンパクトな潜在空間を学習するために、CMLEは言語モダリティから相関構造行列を学習する。
  論文  参考訳（メタデータ） (2023-10-04T13:44:56Z)
• 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)
• Automated Semiconductor Defect Inspection in Scanning Electron Microscope Images: a Systematic Review [4.493547775253646]
  機械学習アルゴリズムは、半導体サンプルの欠陥を正確に分類し、特定するために訓練することができる。 畳み込みニューラルネットワークはこの点において特に有用であることが証明されている。 本稿では,SEM画像における半導体欠陥の自動検査の現状について概観する。
  論文  参考訳（メタデータ） (2023-08-16T13:59:43Z)
• Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images [57.42492501915773]
  生体内試験は、医療機器の毒性に対する動物実験の代替手段である。 人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。 我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。 本手法は,物体検出に適応的な早期学習補正技術を提供する。
  論文  参考訳（メタデータ） (2022-08-05T18:52:20Z)
• Calibrating the Dice loss to handle neural network overconfidence for biomedical image segmentation [2.6465053740712157]
  Dice similarity coefficient (DSC) は、バイオメディカルイメージセグメンテーションにおいて広く用いられている計量と損失関数である。 本研究では, バイオメディカルイメージセグメンテーションの新たな課題として, キャリブレーションの低さを同定する。 DSC++損失は、過信、不正確な予測に関連するペナルティを選択的に調節する。
  論文  参考訳（メタデータ） (2021-10-31T16:02:02Z)
• Performance, Successes and Limitations of Deep Learning Semantic Segmentation of Multiple Defects in Transmission Electron Micrographs [9.237363938772479]
  深層学習Mask Regional Convolutional Neural Network (Mask R-CNN)モデルを用いて, 電子顕微鏡によるFeCrAl合金の欠陥のセマンティックセグメンテーションを行う。 本稿では, 欠陥形状の予測分布, 欠陥サイズ, 欠陥同感度などの量に着目し, キーモデルの性能統計の詳細な分析を行う。 全体として、現在のモデルは、顕微鏡画像中の複数の欠陥タイプを自動解析し、定量化するための、高速で効果的なツールであることがわかった。
  論文  参考訳（メタデータ） (2021-10-15T17:57:59Z)
• Label Cleaning Multiple Instance Learning: Refining Coarse Annotations on Single Whole-Slide Images [83.7047542725469]
  病理検体の全スライディング画像(WSI)における癌領域のアノテーションは、臨床診断、生医学研究、機械学習アルゴリズムの開発において重要な役割を担っている。 本稿では,外部トレーニングデータを必要とせず,単一のWSI上で粗いアノテーションを洗練するためのLC-MIL (Label Cleaning Multiple Instance Learning) を提案する。 乳癌リンパ節転移,肝癌,大腸癌の検体を併用した異種 WSI 実験の結果,LC-MIL は粗いアノテーションを著しく改善し,単一スライドから学習しながらも,最先端の代替品よりも優れていた。
  論文  参考訳（メタデータ） (2021-09-22T15:06:06Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Learning-based Defect Recognition for Quasi-Periodic Microscope Images [0.0]
  原子分解能顕微鏡画像からの格子欠陥の検出を支援する半教師付き機械学習手法を提案する。 これには、画像パッチを欠陥または非欠陥として分類する畳み込みニューラルネットワーク、モデルとして1つの非欠陥パッチを選択するグラフベース、そして最後に自動生成された畳み込みフィルタバンクが含まれる。 このアルゴリズムは、III-V/Si結晶材料上でテストされ、異なる測定値に対してうまく評価され、非常に小さなトレーニングデータセットであっても有望な結果を示す。
  論文  参考訳（メタデータ） (2020-07-02T18:00:02Z)

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。