Fugu-MT 論文翻訳(概要): Point Cloud Segmentation of Integrated Circuits Package Substrates Surface Defects Using Causal Inference: Dataset Construction and Methodology

論文の概要: Point Cloud Segmentation of Integrated Circuits Package Substrates Surface Defects Using Causal Inference: Dataset Construction and Methodology

arxiv url: http://arxiv.org/abs/2511.05853v1
Date: Sat, 08 Nov 2025 05:00:26 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-11 21:18:44.618694
Title: Point Cloud Segmentation of Integrated Circuits Package Substrates Surface Defects Using Causal Inference: Dataset Construction and Methodology
Title（参考訳）: 因果推論による集積回路パッケージ表面欠陥の点雲分割:データセットの構築と手法
Authors: Bingyang Guo, Qiang Zuo, Ruiyun Yu,
Abstract要約: セラミックパッケージ基板(CPS)の表面欠陥の3次元セグメンテーションのための高品質な点クラウドデータセットを構築した。 CPS3D-Segは、20の製品カテゴリの1300点のクラウドサンプルで構成され、各サンプルは正確なポイントレベルのアノテーションを提供する。本稿では,因果推論(CINet)に基づく新しい3次元セグメンテーション手法を提案する。
参考スコア（独自算出の注目度）: 3.8470253761887707
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The effective segmentation of 3D data is crucial for a wide range of industrial applications, especially for detecting subtle defects in the field of integrated circuits (IC). Ceramic package substrates (CPS), as an important electronic material, are essential in IC packaging owing to their superior physical and chemical properties. However, the complex structure and minor defects of CPS, along with the absence of a publically available dataset, significantly hinder the development of CPS surface defect detection. In this study, we construct a high-quality point cloud dataset for 3D segmentation of surface defects in CPS, i.e., CPS3D-Seg, which has the best point resolution and precision compared to existing 3D industrial datasets. CPS3D-Seg consists of 1300 point cloud samples under 20 product categories, and each sample provides accurate point-level annotations. Meanwhile, we conduct a comprehensive benchmark based on SOTA point cloud segmentation algorithms to validate the effectiveness of CPS3D-Seg. Additionally, we propose a novel 3D segmentation method based on causal inference (CINet), which quantifies potential confounders in point clouds through Structural Refine (SR) and Quality Assessment (QA) Modules. Extensive experiments demonstrate that CINet significantly outperforms existing algorithms in both mIoU and accuracy.
Abstract（参考訳）: 3Dデータの効果的セグメンテーションは、特に集積回路(IC)分野における微妙な欠陥を検出するために、幅広い産業用途に不可欠である。重要な電子材料であるセラミックパッケージ基板(CPS)は、その物性および化学的特性が優れているため、ICパッケージに必須である。しかし、CPSの複雑な構造と小さな欠陥は、公開データセットの欠如と共に、CPS表面欠陥検出の開発を著しく妨げている。本研究では,CPSにおける表面欠陥の3次元セグメンテーション(CPS3D-Seg)のための高品質な点クラウドデータセットを構築する。 CPS3D-Segは、20の製品カテゴリの1300点のクラウドサンプルで構成され、各サンプルは正確なポイントレベルのアノテーションを提供する。 CPS3D-Segの有効性を検証するために,SOTAポイントクラウドセグメンテーションアルゴリズムに基づく総合的なベンチマークを行う。さらに,因果推論(CINet)に基づく新しい3次元セグメンテーション手法を提案する。大規模な実験では、CINetはmIoUと精度の両方で既存のアルゴリズムを大幅に上回っている。

関連論文リスト

IEC3D-AD: A 3D Dataset of Industrial Equipment Components for Unsupervised Point Cloud Anomaly Detection [16.60482902001866]
3D異常検出(3D-AD)は製造業、特に中核機器部品の信頼性と安全性を確保する上で重要な役割を担っている。 Real3D-ADやMVTec 3D-ADといった既存の3Dデータセットは、幅広いアプリケーションサポートを提供するが、実際の産業環境で見られる複雑さと微妙な欠陥を捉えるには不足している。実産業シナリオに特化した点雲異常検出データセット(IEC3D-AD)を開発した。このデータセットは、実際の生産ラインから直接収集され、高い忠実性と関連性を保証する。
論文参考訳（メタデータ） (2025-11-05T08:01:23Z)
Rethinking Pulmonary Embolism Segmentation: A Study of Current Approaches and Challenges with an Open Weight Model [21.024556007374684]
3Dモデルは、塞栓の形態的特徴から、この課題に特に適している。 CNNベースのモデルは一般的に、PEセグメンテーションにおけるVTベースのモデルよりも優れたパフォーマンスが得られる。一方、タスクの複雑さと高品質なデータセットの不足のため、遠位塞栓は難しいままである。
論文参考訳（メタデータ） (2025-09-22T18:34:30Z)
Investigating Domain Gaps for Indoor 3D Object Detection [60.55242233729081]
本研究では,屋内3次元物体検出器を1つのデータセットから別のデータセットに適応させる作業について考察する。本稿では, ScanNet, SUN RGB-D, 3D Frontのデータセットと, 新たに提案した大規模データセット ProcTHOR-OD と ProcFront を用いたベンチマークを提案する。本研究は,3次元物体検出器におけるドメインギャップの違いが,合成から現実への適応,点雲品質適応,レイアウト適応,インスタンス特徴適応など,さまざまな適応シナリオについて実験を行った。
論文参考訳（メタデータ） (2025-08-24T16:34:19Z)
Taming Anomalies with Down-Up Sampling Networks: Group Center Preserving Reconstruction for 3D Anomaly Detection [59.822737536103155]
グループ中心幾何構造を保存して3次元異常検出のための高精度点雲を再構成するために,ダウンアップサンプリングネットワーク(DUS-Net)を提案する。提案手法は、オブジェクトレベルのAUROCの79.9%と79.5%、Real3D-ADおよびAnomaly-ShapeNetデータセットの71.2%と84.7%のポイントレベルのAUROCを用いて、最先端(SOTA)性能を実現する。
論文参考訳（メタデータ） (2025-07-05T05:05:36Z)
SteelBlastQC: Shot-blasted Steel Surface Dataset with Interpretable Detection of Surface Defects [0.04783917893588482]
本研究は1654枚のRGB画像(512x512)からなる鋼表面のデータセットについて検討した。データセットは、変色、溶接ライン、ひっかき傷、腐食など、現実世界の表面の欠陥をキャプチャする。 3つのニューラルネットワークで解釈可能な意思決定を行い、業界ユーザーが問題領域を視覚的に特定できるようにする。
論文参考訳（メタデータ） (2025-04-29T07:51:58Z)
Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
論文参考訳（メタデータ） (2024-01-11T19:07:58Z)
PointHPS: Cascaded 3D Human Pose and Shape Estimation from Point Clouds [99.60575439926963]
本稿では,実環境で捉えた点雲から正確な3次元HPSを実現するための基本的フレームワークであるPointHPSを提案する。 PointHPSは、カスケードアーキテクチャを通じてポイント機能を反復的に洗練する。広範囲な実験により、ポイントHPSは強力な特徴抽出と処理方式を持ち、State-of-the-Art法より優れていることが示された。
論文参考訳（メタデータ） (2023-08-28T11:10:14Z)
Blind Quality Assessment of 3D Dense Point Clouds with Structure Guided Resampling [71.68672977990403]
本研究では,3次元高密度点雲の知覚的視覚的品質を自動評価するために,Structure Guided Resampling (SGR) を用いた客観的点雲品質指標を提案する。提案するSGRは,参照情報の不要な汎用ブラインド品質評価手法である。
論文参考訳（メタデータ） (2022-08-31T02:42:55Z)
Structure Aware and Class Balanced 3D Object Detection on nuScenes Dataset [0.0]
NuTonomyのnuScenesデータセットは、KITTIのような一般的なデータセットを大きく拡張している。このモデルの局所化精度は、ダウンスケールされた特徴写像における空間情報の損失に影響される。本稿では,3次元点雲の構造情報をフル活用した補助ネットワークを設計することで,CBGSモデルの性能を向上させることを提案する。
論文参考訳（メタデータ） (2022-05-25T06:18:49Z)
Machine-learning based methodologies for 3d x-ray measurement, characterization and optimization for buried structures in advanced ic packages [0.5727968722424194]
シリコンのスケーリングが遅くなるにつれて、業界はICパッケージ技術に依存して、回路統合と性能改善に貢献している。従来のパッケージ特性評価とプロセス最適化は、物理的な断面や遅延などの破壊的な技術に依存します。本稿では、3次元X線顕微鏡で非破壊的に取得したデータを機械学習を用いて強化・最適化する方法を示す。
論文参考訳（メタデータ） (2021-03-08T15:44:18Z)

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。