Fugu-MT 論文翻訳(概要): Domain Adaptation for Image Classification of Defects in Semiconductor Manufacturing

論文の概要: Domain Adaptation for Image Classification of Defects in Semiconductor Manufacturing

arxiv url: http://arxiv.org/abs/2506.15260v1
Date: Wed, 18 Jun 2025 08:37:55 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-19 19:35:51.597687
Title: Domain Adaptation for Image Classification of Defects in Semiconductor Manufacturing
Title（参考訳）: 半導体製造における欠陥の画像分類のための領域適応
Authors: Adrian Poniatowski, Natalie Gentner, Manuel Barusco, Davide Dalle Pezze, Samuele Salti, Gian Antonio Susto,
Abstract要約: ドメイン適応(DA)は、(ソース)ドメインで学んだ知識を使用して、異なるが関連する(ターゲット)ドメインに適応し、効果的に実行するので、非常に効果的であることが証明されています。本稿では,CycleGANにインスパイアされたモデルであるDBACSアプローチを提案する。全てのアプローチは、教師なしおよび半教師なしの設定を考慮して、実世界の電子顕微鏡画像上で研究され、検証される。
参考スコア（独自算出の注目度）: 10.350843258290153
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In the semiconductor sector, due to high demand but also strong and increasing competition, time to market and quality are key factors in securing significant market share in various application areas. Thanks to the success of deep learning methods in recent years in the computer vision domain, Industry 4.0 and 5.0 applications, such as defect classification, have achieved remarkable success. In particular, Domain Adaptation (DA) has proven highly effective since it focuses on using the knowledge learned on a (source) domain to adapt and perform effectively on a different but related (target) domain. By improving robustness and scalability, DA minimizes the need for extensive manual re-labeling or re-training of models. This not only reduces computational and resource costs but also allows human experts to focus on high-value tasks. Therefore, we tested the efficacy of DA techniques in semi-supervised and unsupervised settings within the context of the semiconductor field. Moreover, we propose the DBACS approach, a CycleGAN-inspired model enhanced with additional loss terms to improve performance. All the approaches are studied and validated on real-world Electron Microscope images considering the unsupervised and semi-supervised settings, proving the usefulness of our method in advancing DA techniques for the semiconductor field.
Abstract（参考訳）: 半導体部門では、需要が高く、競争力も強く、市場投入までの時間と品質は、様々な分野において重要な市場シェアを確保する上で重要な要素である。近年のコンピュータビジョン分野におけるディープラーニング手法の成功により、欠陥分類などの産業用 4.0 および 5.0 のアプリケーションは目覚ましい成功を収めた。特に、ドメイン適応(DA)は、(ソース)ドメインで学んだ知識を使用して、異なるが関連する(ターゲット)ドメインに適応し、効果的に実行するので、非常に効果的であることが証明されています。堅牢性とスケーラビリティを改善することで、DAはモデルの広範な手作業によるリラベルや再トレーニングの必要性を最小限にする。これは計算とリソースのコストを削減するだけでなく、人間のエキスパートが高価値なタスクに集中できるようにする。そこで本研究では,半導体フィールドのコンテキスト内における半教師付きおよび教師なし設定におけるDA手法の有効性を検証した。さらに,CycleGANにインスパイアされたモデルであるDBACS手法を提案する。半導体分野におけるDA技術の進歩における本手法の有用性を実証し, 教師なし, 半教師なしの設定を考慮し, 実世界の電子顕微鏡画像を用いて検討・検証を行った。

関連論文リスト

Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
異常検出は産業アプリケーションの品質管理において重要な役割を担っている。既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
論文参考訳（メタデータ） (2025-03-19T05:25:52Z)
Adversarial Reweighting with $α$-Power Maximization for Domain Adaptation [56.859005008344276]
我々は、$alpha$-Power Maximization (ARPM) を用いたAdversarial Reweightingと呼ばれる新しいアプローチを提案する。本稿では,ソースプライマリなクラスサンプルを特定するために,逆向きにソースドメインデータを再重み付けすることを学習する,新しい逆方向再重み付けモデルを提案する。提案手法は最近のPDA法よりも優れていることを示す。
論文参考訳（メタデータ） (2024-04-26T09:29:55Z)
Face Presentation Attack Detection by Excavating Causal Clues and Adapting Embedding Statistics [9.612556145185431]
顔提示攻撃検出(PAD)はドメイン適応(DA)とドメイン一般化(DG)技術を用いて未知のドメインの性能劣化に対処する。ほとんどのDGベースのPADソリューションは、プライオリ、すなわち既知のドメインラベルに依存している。本稿では、因果的観点から複合DGタスクとして顔PADをモデル化し、モデル最適化にリンクすることを提案する。
論文参考訳（メタデータ） (2023-08-28T13:11:05Z)
Open-Set Domain Adaptation with Visual-Language Foundation Models [51.49854335102149]
非教師なしドメイン適応(UDA)は、ソースドメインからラベルのないデータを持つターゲットドメインへの知識の転送に非常に効果的であることが証明されている。オープンセットドメイン適応(ODA)は、トレーニングフェーズ中にこれらのクラスを識別する潜在的なソリューションとして登場した。
論文参考訳（メタデータ） (2023-07-30T11:38:46Z)
Enhancing Visual Domain Adaptation with Source Preparation [5.287588907230967]
ドメイン適応技術は、ソースドメイン自体の特性を考慮できません。本稿では,ソース領域バイアスを軽減する手法であるソース準備(SP)を提案する。また,ベースライン上のmIoUでは最大40.64%の改善が見られた。
論文参考訳（メタデータ） (2023-06-16T18:56:44Z)
On Certifying and Improving Generalization to Unseen Domains [87.00662852876177]
ドメインの一般化は、テスト時に遭遇した見知らぬドメインのパフォーマンスが高いモデルを学ぶことを目的としています。いくつかのベンチマークデータセットを使用して、DGアルゴリズムを包括的に評価することは困難である。我々は,任意のDG手法の最悪の性能を効率的に証明できる普遍的な認証フレームワークを提案する。
論文参考訳（メタデータ） (2022-06-24T16:29:43Z)
Exploring Adversarially Robust Training for Unsupervised Domain Adaptation [71.94264837503135]
Unsupervised Domain Adaptation (UDA)メソッドは、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的としている。本稿では、UDAのドメイン不変性を学習しながら、ATを介してラベルなしデータのロバスト性を高める方法について検討する。本稿では,ARTUDA と呼ばれる UDA の適応的ロバストトレーニング手法を提案する。
論文参考訳（メタデータ） (2022-02-18T17:05:19Z)
Revisiting Deep Subspace Alignment for Unsupervised Domain Adaptation [42.16718847243166]
Unsupervised domain adapt (UDA) は、ラベル付きソースドメインからラベル付きターゲットドメインへの知識の転送と適応を目的としている。伝統的に、部分空間に基づく手法はこの問題に対する重要な解のクラスを形成する。本稿では,UDAにおける部分空間アライメントの利用を再検討し,一貫した一般化をもたらす新しい適応アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-01-05T20:16:38Z)
Class-Incremental Domain Adaptation [56.72064953133832]
私たちは、CIDA(Class-Incremental Domain Adaptation)と呼ばれる実践的ドメイン適応(DA)パラダイムを導入します。既存のDAメソッドはドメインシフトに取り組むが、新しいターゲットドメインクラスを学ぶのには適さない。提案手法は,CIDAパラダイムにおけるDAメソッドとCIメソッドの両方と比較して,優れた性能が得られる。
論文参考訳（メタデータ） (2020-08-04T07:55:03Z)
Online Meta-Learning for Multi-Source and Semi-Supervised Domain Adaptation [4.1799778475823315]
本稿では,既存のDAアルゴリズムの初期条件をメタラーニングすることで,性能向上のためのフレームワークを提案する。マルチソース非教師付きドメイン適応(MSDA)と半教師付きドメイン適応(SSDA)の両方の変種を提示する。最大規模のDomainNetを含む,いくつかのDAベンチマークで得られた成果を報告する。
論文参考訳（メタデータ） (2020-04-09T07:48:22Z)

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。