論文の概要: Non-Destructive Detection of Sub-Micron Imperceptible Scratches On Laser Chips Based On Consistent Texture Entropy Recursive Optimization Semi-Supervised Network

• arxiv url: http://arxiv.org/abs/2503.13125v1
• Date: Mon, 17 Mar 2025 12:48:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 12:30:16.071041
• Title: Non-Destructive Detection of Sub-Micron Imperceptible Scratches On Laser Chips Based On Consistent Texture Entropy Recursive Optimization Semi-Supervised Network
• Title（参考訳）: Consistent Texture Entropy Recursive Optimization Semi-Supervised Network によるレーザーチップのサブミクロン非受容スクラッチの非破壊検出
• Authors: Pan Liu,
• Abstract要約: 認識不能な傷でも、レーザーチップの性能と寿命は著しく低下する。 サブミクロンレベルのスクラッチは、ラベル付きデータセットの欠如によって合成された従来の方法では検出が困難である。 本稿では,一貫したテクスチャエントロピー反復最適化半教師ネットワークであるTexRecNetを紹介する。 75.6%の精度と74.8%のリコールで、従来のUnetよりも8.5%、33.6%改善している。
• 参考スコア（独自算出の注目度）: 3.4706130336178376
• License:
• Abstract: Laser chips, the core components of semiconductor lasers, are extensively utilized in various industries, showing great potential for future application. Smoothness emitting surfaces are crucial in chip production, as even imperceptible scratches can significantly degrade performance and lifespan, thus impeding production efficiency and yield. Therefore, non-destructively detecting these imperceptible scratches on the emitting surfaces is essential for enhancing yield and reducing costs. These sub-micron level scratches, barely visible against the background, are extremely difficult to detect with conventional methods, compounded by a lack of labeled datasets. To address this challenge, this paper introduces TexRecNet, a consistent texture entropy recursive optimization semi-supervised network. The network, based on a recursive optimization architecture, iteratively improves the detection accuracy of imperceptible scratch edges, using outputs from previous cycles to inform subsequent inputs and guide the network's positional encoding. It also introduces image texture entropy, utilizing a substantial amount of unlabeled data to expand the training set while maintaining training signal reliability. Ultimately, by analyzing the inconsistency of the network output sequences obtained during the recursive process, a semi-supervised training strategy with recursive consistency constraints is proposed, using outputs from the recursive process for non-destructive signal augmentation and consistently optimizes the loss function for efficient end-to-end training. Experimental results show that this method, utilizing a substantial amount of unsupervised data, achieves 75.6% accuracy and 74.8% recall in detecting imperceptible scratches, an 8.5% and 33.6% improvement over conventional Unet, enhancing quality control in laser chips.
• Abstract（参考訳）: 半導体レーザーのコアコンポーネントであるレーザーチップは、様々な産業で広く利用されており、将来の応用の可能性を示している。 滑らかな発光面はチップ製造において極めて重要であり、知覚不能な引っかき傷でさえ性能と寿命を著しく低下させ、生産効率と歩留まりを阻害する。 したがって, 発光面上の非破壊的な傷痕の検出は, 収率の向上とコスト削減に不可欠である。 これらのサブミクロンレベルの傷は、背景からはほとんど見えず、ラベル付きデータセットが欠如しているため、従来の方法では検出が極めて困難である。 この課題に対処するために,一貫したテクスチャエントロピー再帰型半教師付きネットワークであるTexRecNetを提案する。 再帰的最適化アーキテクチャに基づいて、ネットワークは、以前のサイクルからの出力を使用して、知覚不能なスクラッチエッジの検出精度を反復的に改善し、その後の入力を通知し、ネットワークの位置エンコーディングを誘導する。 また、画像テクスチャエントロピーを導入し、大量のラベルのないデータを活用して、トレーニング信号の信頼性を維持しながらトレーニングセットを拡張する。 最終的に、再帰的プロセスにおいて得られたネットワーク出力シーケンスの不整合を解析することにより、非破壊的な信号増大のための再帰的プロセスからの出力を用いて、再帰的一貫性制約を伴う半教師付きトレーニング戦略を提案し、効率のよいエンドツーエンドトレーニングのために損失関数を一貫的に最適化する。 実験結果から, 従来のUnetに比べて75.6%の精度, 74.8%のリコール, 8.5%, 33.6%の改善, レーザーチップの品質管理の向上が得られた。

関連論文リスト

• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• Efficient Algorithm Level Error Detection for Number-Theoretic Transform Assessed on FPGAs [2.156170153103442]
  本稿ではNTT乗算におけるアルゴリズムレベルの故障検出手法を提案する。 本研究は, 故障モデルのシミュレーションにより評価し, 結果が正確に反映されていることを確認した。 従来のハードウェア実装と比較して、9%の領域増加と13%のレイテンシ増加で、同等のスループットを実現しています。
  論文  参考訳（メタデータ） (2024-03-02T14:05:56Z)
• Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth Soft-Thresholding [57.71603937699949]
  我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。 トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
  論文  参考訳（メタデータ） (2023-09-12T13:03:47Z)
• A Generalization of Continuous Relaxation in Structured Pruning [0.3277163122167434]
  トレンドは、パラメータが増加するより深い、より大きなニューラルネットワークが、より小さなニューラルネットワークよりも高い精度を達成することを示している。 ネットワーク拡張, プルーニング, サブネットワーク崩壊, 削除のためのアルゴリズムを用いて, 構造化プルーニングを一般化する。 結果のCNNは計算コストのかかるスパース行列演算を使わずにGPUハードウェア上で効率的に実行される。
  論文  参考訳（メタデータ） (2023-08-28T14:19:13Z)
• Learning to Linearize Deep Neural Networks for Secure and Efficient Private Inference [5.293553970082942]
  既存のReLU操作を減らす技術は、しばしば手作業と精度を犠牲にする。 まず、非線形層のReLU感度の新たな尺度を示し、時間を要する手作業の軽減を可能にする。 次に、レイヤごとのReLU数を自動割り当てし、各レイヤのアクティベーションマップのReLU位置を決定し、ReLUをはるかに少ないモデルでトレーニングする3段階トレーニング手法SENetを提案する。
  論文  参考訳（メタデータ） (2023-01-23T03:33:38Z)
• Semantic Perturbations with Normalizing Flows for Improved Generalization [62.998818375912506]
  我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。 トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-08-18T03:20:00Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
  本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。 効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。 構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
  論文  参考訳（メタデータ） (2020-07-26T12:32:38Z)
• Optimisation of a Siamese Neural Network for Real-Time Energy Efficient Object Tracking [0.0]
  組込み視覚システムのためのSiameseニューラルネットワークを用いた視覚物体追跡の最適化について述べる。 提案手法は,高解像度ビデオストリームに対して,リアルタイムに動作するものと推定された。
  論文  参考訳（メタデータ） (2020-07-01T13:49:56Z)
• Learning Robust Feature Representations for Scene Text Detection [0.0]
  本稿では、条件付きログを最大化するために、損失から導かれるネットワークアーキテクチャを提案する。 潜伏変数の層を複数の層に拡張することで、ネットワークは大規模に堅牢な機能を学ぶことができる。 実験では,提案アルゴリズムはリコール法と精度の両面で最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-05-26T01:06:47Z)
• Beyond Dropout: Feature Map Distortion to Regularize Deep Neural Networks [107.77595511218429]
  本稿では,ディープニューラルネットワークの中間層に関連する実験的なRademacher複雑性について検討する。 上記の問題に対処するための特徴歪み法(Disout)を提案する。 より高い試験性能を有するディープニューラルネットワークを作製するための特徴写像歪みの優位性を解析し、実証した。
  論文  参考訳（メタデータ） (2020-02-23T13:59:13Z)

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。