論文の概要: DECOR: Deep Embedding Clustering with Orientation Robustness

• arxiv url: http://arxiv.org/abs/2510.03328v1
• Date: Wed, 01 Oct 2025 18:22:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:58.834226
• Title: DECOR: Deep Embedding Clustering with Orientation Robustness
• Title（参考訳）: DECOR: 指向ロバストなクラスタリング
• Authors: Fiona Victoria Stanley Jothiraj, Arunaggiri Pandian Karunanidhi, Seth A. Eichmeyer,
• Abstract要約: 私たちは、ウェハマップから一貫したクラスタに複雑な欠陥パターンをグループ化する、指向性フレームワークを備えたディープクラスタリングであるDECORを紹介します。 提案手法をオープンソースのMixedWM38データセット上で評価し,手動チューニングなしでクラスタを検出できることを実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In semiconductor manufacturing, early detection of wafer defects is critical for product yield optimization. However, raw wafer data from wafer quality tests are often complex, unlabeled, imbalanced and can contain multiple defects on a single wafer, making it crucial to design clustering methods that remain reliable under such imperfect data conditions. We introduce DECOR, a deep clustering with orientation robustness framework that groups complex defect patterns from wafer maps into consistent clusters. We evaluate our method on the open source MixedWM38 dataset, demonstrating its ability to discover clusters without manual tuning. DECOR explicitly accounts for orientation variations in wafer maps, ensuring that spatially similar defects are consistently clustered regardless of its rotation or alignment. Experiments indicate that our method outperforms existing clustering baseline methods, thus providing a reliable and scalable solution in automated visual inspection systems.
• Abstract（参考訳）: 半導体製造において、ウェハ欠陥の早期検出は製品収率最適化に不可欠である。 しかしながら、ウェハの品質テストから得られた生のウェハデータは、しばしば複雑で、ラベルが付かず、不均衡であり、単一のウェハに複数の欠陥を含む可能性があるため、そのような不完全なデータ条件下で信頼性を保つクラスタリング手法を設計することが重要である。 我々は、ウェハマップから一貫したクラスタに複雑な欠陥パターンをグループ化する、指向性ロバスト性を備えたディープクラスタリングであるDECORを紹介した。 提案手法をオープンソースのMixedWM38データセット上で評価し,手動チューニングなしでクラスタを検出できることを実証した。 DECORは、ウェハマップの向きの変化を明示的に説明し、空間的に類似した欠陥が、その回転やアライメントに関わらず一貫してクラスタ化されていることを保証している。 実験の結果,本手法は既存のクラスタリングベースライン法よりも優れており,自動視覚検査システムにおいて信頼性が高くスケーラブルなソリューションを提供することがわかった。

関連論文リスト

• Lattice Defects in Rydberg Atom Arrays [10.83896515552038]
  ライドバーグ原子配列は、量子多体系を研究するための重要なプラットフォームとなっている。 最も単純な状況における幾何学的欠陥の影響、すなわち1次元ライドバーグ原子配列について検討する。 異なる種類のキンクがそれぞれの空間-内部対称性に対応する異なる結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2025-02-11T19:00:03Z)
• A Consistency-Aware Spot-Guided Transformer for Versatile and Hierarchical Point Cloud Registration [9.609585217048664]
  我々は整合性を考慮したスポット誘導変換器(CAST)を開発した。 CASTは、無関係な領域への干渉を避けるために、スポット誘導のクロスアテンションモジュールを組み込んでいる。 スパースキーポイントと高密度特徴の両方のための軽量な微細マッチングモジュールは、変換を正確に推定することができる。
  論文  参考訳（メタデータ） (2024-10-14T08:48:25Z)
• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• Iterative Cluster Harvesting for Wafer Map Defect Patterns [5.8040925094698785]
  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。
  論文  参考訳（メタデータ） (2024-04-23T18:26:11Z)
• Fuzzy K-Means Clustering without Cluster Centroids [21.256564324236333]
  ファジィK平均クラスタリングは教師なしデータ分析において重要な手法である。 本稿では,クラスタセントロイドへの依存を完全に排除する,ファジィテクストK-Meansクラスタリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-04-07T12:25:03Z)
• Towards Calibrated Deep Clustering Network [60.71776081164377]
  ディープクラスタリングでは、特定のクラスタに属するサンプルに対する推定信頼度はその実際の予測精度を大きく上回る。 推定された信頼度と実際の精度を効果的にキャリブレーションできる新しいデュアルヘッド(キャリブレーションヘッドとクラスタリングヘッド)深層クラスタリングモデルを提案する。 提案したキャリブレーション深層クラスタリングモデルでは, キャリブレーション誤差の予測値において, 最先端の深部クラスタリング手法を平均5倍に越えるだけでなく, クラスタリング精度も大幅に向上する。
  論文  参考訳（メタデータ） (2024-03-04T11:23:40Z)
• 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)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• Deep Open-Set Recognition for Silicon Wafer Production Monitoring [7.7977112365916]
  本稿では,サブマニフォールドスパース畳み込みネットワークに基づくウェハ監視のための包括的パイプラインを提案する。 実験により, サブマニフォールドスパース畳み込みによるWDMの直接処理により, 既知のクラスにおいて優れた分類性能が得られることが示された。 我々のソリューションは、新規性の検出において最先端のオープンセット認識ソリューションより優れています。
  論文  参考訳（メタデータ） (2022-08-30T08:39:52Z)
• 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。