Fugu-MT 論文翻訳(概要): Exploring Active Learning for Semiconductor Defect Segmentation

論文の概要: Exploring Active Learning for Semiconductor Defect Segmentation

arxiv url: http://arxiv.org/abs/2507.17359v1
Date: Wed, 23 Jul 2025 09:44:11 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-24 22:33:14.943499
Title: Exploring Active Learning for Semiconductor Defect Segmentation
Title（参考訳）: 半導体欠陥分割のための能動学習の探索
Authors: Lile Cai, Ramanpreet Singh Pahwa, Xun Xu, Jie Wang, Richard Chang, Lining Zhang, Chuan-Sheng Foo,
Abstract要約: 本研究では,アノテーションの負担を軽減するための潜在的解決策として,アクティブラーニング(AL)について検討する。我々は、半導体XRMスキャンにALを適用する際、大きなドメインシフトと厳しいクラス不均衡という2つの固有の課題を特定した。これらの課題に対処するため、非競合データに対してコントラスト事前学習を行うことを提案する。我々は,論理とメモリダイスからなる高帯域メモリ構造のXRMスキャンからコンパイルした半導体データセット上で,本手法の評価を行った。
参考スコア（独自算出の注目度）: 20.72106200701627
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The development of X-Ray microscopy (XRM) technology has enabled non-destructive inspection of semiconductor structures for defect identification. Deep learning is widely used as the state-of-the-art approach to perform visual analysis tasks. However, deep learning based models require large amount of annotated data to train. This can be time-consuming and expensive to obtain especially for dense prediction tasks like semantic segmentation. In this work, we explore active learning (AL) as a potential solution to alleviate the annotation burden. We identify two unique challenges when applying AL on semiconductor XRM scans: large domain shift and severe class-imbalance. To address these challenges, we propose to perform contrastive pretraining on the unlabelled data to obtain the initialization weights for each AL cycle, and a rareness-aware acquisition function that favors the selection of samples containing rare classes. We evaluate our method on a semiconductor dataset that is compiled from XRM scans of high bandwidth memory structures composed of logic and memory dies, and demonstrate that our method achieves state-of-the-art performance.
Abstract（参考訳）: X線顕微鏡(XRM)技術の開発により、欠陥識別のための半導体構造の非破壊検査が可能となった。ディープラーニングは、ビジュアル分析タスクを実行する最先端のアプローチとして広く利用されている。しかし、ディープラーニングベースのモデルは、トレーニングするために大量の注釈付きデータを必要とする。これは、特にセマンティックセグメンテーションのような密集した予測タスクのために、時間と費用がかかる可能性がある。本研究では,アノテーションの負担を軽減するための潜在的解決策として,アクティブラーニング(AL)について検討する。我々は、半導体XRMスキャンにALを適用する際、大きなドメインシフトと厳しいクラス不均衡という2つの固有の課題を特定した。これらの課題に対処するため、各ALサイクルの初期化重みを得るために、ラベルのないデータに対して対照的な事前訓練を行うことと、希少なクラスを含むサンプルの選択を好む希少な取得機能を提案する。我々は,論理およびメモリダイスからなる高帯域メモリ構造のXRMスキャンからコンパイルした半導体データセット上で,本手法が最先端性能を実現することを示す。

関連論文リスト

OCSVM-Guided Representation Learning for Unsupervised Anomaly Detection [1.0190194769786831]
Unsupervised Anomaly Detection (UAD) は、ラベル付きデータなしで異常を検出することを目的としている。解析的に解ける一級SVMを用いて表現学習を緊密に結合する新しい手法を提案する。このモデルは、MNIST-Cに基づく新しいベンチマークと、挑戦的な脳MRI微妙な病変検出タスクの2つのタスクで評価されている。
論文参考訳（メタデータ） (2025-07-25T13:00:40Z)
Iterative Misclassification Error Training (IMET): An Optimized Neural Network Training Technique for Image Classification [0.5115559623386964]
カリキュラム学習とコアセット選択に触発された新しいフレームワークであるIMET(Iterative Misclassification Error Training)を紹介する。 IMETは、トレーニングプロセスの合理化を図りつつ、エッジケースに対するモデルの注意を先入観的かつ稀な結果に優先順位付けしながら、誤分類されたサンプルを特定することを目的としている。本稿では,最新のResNetアーキテクチャに対するベンチマーク医用画像分類データセット上でのIMETの性能を評価する。
論文参考訳（メタデータ） (2025-07-01T04:14:16Z)
Querying Easily Flip-flopped Samples for Deep Active Learning [63.62397322172216]
アクティブラーニング(英: Active Learning)は、ラベルのないデータを戦略的に選択してクエリすることで、モデルの性能を向上させることを目的とした機械学習パラダイムである。効果的な選択戦略の1つはモデルの予測の不確実性に基づくもので、サンプルがどの程度情報的であるかの尺度として解釈できる。本稿では,予測されたラベルの不一致の最小確率として,最小不一致距離(LDM)を提案する。
論文参考訳（メタデータ） (2024-01-18T08:12:23Z)
LESEN: Label-Efficient deep learning for Multi-parametric MRI-based Visual Pathway Segmentation [5.726588626363204]
ラベル効率のよい自己認識型深層学習法(LESEN)を提案する。 LESENは教師なしと教師なしの損失を取り入れ、生徒と教師のモデルが相互に学習できるようにする。ヒトコネクトームプロジェクト(HCP)のデータセットを用いた実験により,本手法の優れた性能が示された。
論文参考訳（メタデータ） (2024-01-03T10:22:13Z)
Unsupervised Continual Anomaly Detection with Contrastively-learned Prompt [80.43623986759691]
UCADと呼ばれる新しい非教師付き連続異常検出フレームワークを提案する。このフレームワークは、対照的に学習したプロンプトを通じて、UDAに継続的な学習能力を持たせる。我々は総合的な実験を行い、教師なし連続異常検出とセグメンテーションのベンチマークを設定した。
論文参考訳（メタデータ） (2024-01-02T03:37:11Z)
Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement Learning [53.00683059396803]
マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
論文参考訳（メタデータ） (2023-10-06T10:40:46Z)
Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文参考訳（メタデータ） (2023-08-24T01:30:18Z)
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)
Longitudinal detection of new MS lesions using Deep Learning [0.0]
新たなMS病変の検出・分節作業に対処するディープラーニングベースのパイプラインについて述べる。まず,1つの時間点を用いたセグメンテーションタスクで訓練されたモデルからの移動学習を提案する。第2に、新しい病変を伴う現実的な縦断時間を生成するためのデータ合成戦略を提案する。
論文参考訳（メタデータ） (2022-06-16T16:09:04Z)
Self-Taught Semi-Supervised Anomaly Detection on Upper Limb X-rays [11.859913430860335]
監視されたディープネットワークは、放射線学者による多数の注釈を取る。私たちのアプローチの合理性は、ラベルのないデータを活用するためにタスクのプリテキストタスクを使用することです。本手法は、非監視および自己監視の異常検出設定におけるベースラインを上回っていることを示した。
論文参考訳（メタデータ） (2021-02-19T12:32:58Z)
Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
論文参考訳（メタデータ） (2020-07-21T13:27:09Z)
A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文参考訳（メタデータ） (2020-06-22T08:35:58Z)

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。