論文の概要: A Comparative Analysis of Semiconductor Wafer Map Defect Detection with Image Transformer

• arxiv url: http://arxiv.org/abs/2512.11977v1
• Date: Fri, 12 Dec 2025 19:03:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.055436
• Title: A Comparative Analysis of Semiconductor Wafer Map Defect Detection with Image Transformer
• Title（参考訳）: 画像変換器を用いた半導体ウエハマップ欠陥検出の比較解析
• Authors: Sushmita Nath,
• Abstract要約: 本研究では,データ制約条件下でのウェハマップ欠陥の分類にData-Efficient Image Transformer (DeiT) を用いることを検討した。 VGG-19(65%)、SqueezeNet(82%)、Xception(66%)、Hybrid(67%)などのCNNモデルより優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predictive maintenance is an important sector in modern industries which improves fault detection and cost reduction processes. By using machine learning algorithms in the whole process, the defects detection process can be implemented smoothly. Semiconductor is a sensitive maintenance field that requires predictability in work. While convolutional neural networks (CNNs) such as VGG-19, Xception and Squeeze-Net have demonstrated solid performance in image classification for semiconductor wafer industry, their effectiveness often declines in scenarios with limited and imbalanced data. This study investigates the use of the Data-Efficient Image Transformer (DeiT) for classifying wafer map defects under data-constrained conditions. Experimental results reveal that the DeiT model achieves highest classification accuracy of 90.83%, outperforming CNN models such as VGG-19(65%), SqueezeNet(82%), Xception(66%) and Hybrid(67%). DeiT also demonstrated superior F1-score (90.78%) and faster training convergence, with enhanced robustness in detecting minority defect classes. These findings highlight the potential of transformer-based models like DeiT in semiconductor wafer defect detection and support predictive maintenance strategies within semiconductor fabrication processes.
• Abstract（参考訳）: 予測保守は、障害検出とコスト削減プロセスを改善する現代産業において重要な分野である。 プロセス全体において機械学習アルゴリズムを使用することで、欠陥検出プロセスを円滑に実装することができる。 半導体は、作業の予測可能性を必要とする、繊細なメンテナンス分野である。 VGG-19、Xception、Squeeze-Netのような畳み込みニューラルネットワーク(CNN)は、半導体ウエハ産業のイメージ分類において確固たる性能を示したが、その効果は、制限されたデータと不均衡なデータを持つシナリオでしばしば低下する。 本研究では,データ制約条件下でのウェハマップ欠陥の分類にData-Efficient Image Transformer (DeiT) を用いることを検討した。 実験の結果,DeiTモデルは,VGG-19(65%),SqueezeNet(82%),Xception(66%),Hybrid(67%)などのCNNモデルよりも優れた90.83%の分類精度が得られた。 DeiTはまた、F1スコア(90.78%)とより高速なトレーニングコンバージェンスを示し、少数派欠陥検出の堅牢性を高めた。 これらの知見は、半導体ウェハ欠陥検出におけるDeiTのようなトランスフォーマーモデルの可能性を強調し、半導体製造プロセスにおける予測保守戦略をサポートする。

関連論文リスト

• Validating Vision Transformers for Otoscopy: Performance and Data-Leakage Effects [42.465094107111646]
  本研究では、耳疾患の診断精度を高めるために、視覚トランスモデル、特にスウィントランスモデルの有効性を評価する。 この研究はチリ大学臨床病院の耳鼻咽喉科の実際のデータセットを利用した。
  論文  参考訳（メタデータ） (2025-11-06T23:20:37Z)
• Boosted Training of Lightweight Early Exits for Optimizing CNN Image Classification Inference [47.027290803102666]
  我々は、分岐学習と推論時データ分布を整合させるシーケンシャルなトレーニング手法を導入する。 ResNet18バックボーンによるCINIC-10データセットの実験では、BTS-EEが非ブートトレーニングを一貫して上回っていることが示されている。 これらの結果は,産業検査,組込みビジョン,UAVに基づく監視などの応用において,実用的効率の向上をもたらす。
  論文  参考訳（メタデータ） (2025-09-10T06:47:49Z)
• Wavelet Scattering Transform and Fourier Representation for Offline Detection of Malicious Clients in Federated Learning [42.558423984270135]
  フェデレートラーニング(FL)は、データプライバシを保持しながら、分散クライアント間で機械学習モデルのトレーニングを可能にする。 異常なクライアントや破損したクライアントの存在は、モデルパフォーマンスを著しく低下させる可能性がある。 我々は、トレーニング前に悪意のあるクライアントにラベル付けする検出アルゴリズムWAFFLEを提案する。 蒸留された公開データセットに基づいてトレーニングされた軽量検出器は、最小限の通信と計算オーバーヘッドでラベル付けを実行する。
  論文  参考訳（メタデータ） (2025-06-11T12:48:00Z)
• Semiconductor SEM Image Defect Classification Using Supervised and Semi-Supervised Learning with Vision Transformers [31.64631761575222]
  本研究は, ウエハ欠陥の走査型電子顕微鏡(SEM)画像の自動欠陥分類(ADC)に視覚変換器(ViT)ニューラルネットワークを適用することを提案する。 7400枚以上の全画像から11種類の欠陥を抽出し,DinoV2と半教師付き学習の伝達学習の可能性を検討した。
  論文  参考訳（メタデータ） (2025-06-03T19:34:54Z)
• Enhancing Glass Defect Detection with Diffusion Models: Addressing Imbalanced Datasets in Manufacturing Quality Control [0.0]
  本稿では, 差動拡散確率モデル(DDPM)を用いて, データ拡張のための合成欠陥ガラス製品画像を生成する手法を提案する。 この手法は標準CNNアーキテクチャの画像分類性能を大幅に向上させる。 ResNet50V2の全体的な分類精度は78%から93%に向上した。
  論文  参考訳（メタデータ） (2025-05-06T03:16:56Z)
• Advanced technology in railway track monitoring using the GPR Technique: A Review [41.94295877935867]
  グラウンド・ペネトレーション・レーダー (GPR) は、鉄道線路の監視に使用できる電磁探査技術である。 バラストポケット、ファウルドバラスト、排水不良、下級集落などの欠陥を検出することができる。 本稿では,実世界のGPRデータのキャリブレーションに合成モデリングを用いる手法について述べる。 ディープラーニング技術、特にCNN(Convolutional Neural Networks)やRNN(Recurrent Neural Networks)も、GPRイメージの欠陥に関連するパターンを認識する上での有効性を強調している。
  論文  参考訳（メタデータ） (2025-01-19T18:01:39Z)
• Wafer Map Defect Classification Using Autoencoder-Based Data Augmentation and Convolutional Neural Network [4.8748194765816955]
  本研究では、自己エンコーダに基づくデータ拡張技術と畳み込みニューラルネットワーク(CNN)を組み合わせた新しい手法を提案する。 提案手法は,ランダムフォレスト,SVM,ロジスティック回帰をそれぞれ19%,21%,27%以上,98.56%の分類精度を達成している。
  論文  参考訳（メタデータ） (2024-11-17T10:19:54Z)
• Utilizing Generative Adversarial Networks for Image Data Augmentation and Classification of Semiconductor Wafer Dicing Induced Defects [0.21990652930491852]
  半導体製造において、ウエハダイシングプロセスは中心的でありながら、収率を著しく損なう欠陥に対して脆弱である。 深層ニューラルネットワーク(Deep Neural Network)は、半自動視覚検査における最先端技術である。 本稿では, 半導体ウェハダイシングによる欠陥の画像データの増大と分類にGAN(Generative Adversarial Network)の適用について検討する。
  論文  参考訳（メタデータ） (2024-07-24T20:44:16Z)
• SEMI-DiffusionInst: A Diffusion Model Based Approach for Semiconductor Defect Classification and Segmentation [0.11999555634662631]
  この研究は拡散モデルを用いて半導体欠陥パターンを正確に検出し、正確にセグメント化する最初の実演である。 提案手法は,mAP全体のこれまでの成果よりも優れており,ほぼすべての欠陥クラスに対して比較的優れた性能を示す。
  論文  参考訳（メタデータ） (2023-07-17T17:53:36Z)
• Boosting Facial Expression Recognition by A Semi-Supervised Progressive Teacher [54.50747989860957]
  本稿では,信頼度の高いFERデータセットと大規模未ラベル表現画像を有効訓練に用いるための半教師付き学習アルゴリズム,Progressive Teacher (PT)を提案する。 RAF-DB と FERPlus を用いた実験により,RAF-DB で89.57% の精度で最先端の性能を実現する手法の有効性が検証された。
  論文  参考訳（メタデータ） (2022-05-28T07:47:53Z)
• Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
  本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。 本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
  論文  参考訳（メタデータ） (2022-05-19T08:37:56Z)

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。