Fugu-MT 論文翻訳(概要): SePArate: Segmenting Patterns from Defects in Wafer Manufacturing Using Weak Supervision

論文の概要: SePArate: Segmenting Patterns from Defects in Wafer Manufacturing Using Weak Supervision

arxiv url: http://arxiv.org/abs/2608.30410v1
Date: Mon, 31 Aug 2026 08:07:57 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-01 18:31:31.301206
Title: SePArate: Segmenting Patterns from Defects in Wafer Manufacturing Using Weak Supervision
Title（参考訳）: SePArate:Weak Supervisionを用いたウェハ製造における欠陥の分離パターン
Abstract要約: 弱教師付きウエハ欠陥分割法であるSePArateを提案する。 SePArateは、画像レベルのアノテーションのみを活用することで、パターンのピクセルレベルの分離を可能にする。
参考スコア（独自算出の注目度）: 13.558258847565348
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In semiconductor manufacturing, defect analysis is essential, but manual inspection cannot scale. However, existing automated inspection methods remain insufficient for root-cause analysis and process optimization. To this end, we present SePArate, a weakly supervised wafer defect segmentation method. SePArate enables pixel-level separation of patterns by leveraging only image-level annotations. It consists of a three-phase training: encoder pretraining, knowledge transfer to learn spatial cues, and training on synthetic mixed-defect data for accurate segmentation. Experiments demonstrate that SePArate outperforms the baselines.
Abstract（参考訳）: 半導体製造では欠陥解析が不可欠であるが、手動検査ではスケールできない。しかし,既存の自動検査手法は根本原因分析やプロセス最適化には不十分である。この目的のために,弱い教師付きウエハ欠陥分割法であるSePArateを提案する。 SePArateは、画像レベルのアノテーションのみを活用することで、パターンのピクセルレベルの分離を可能にする。エンコーダ事前訓練、空間的手がかりを学ぶための知識伝達、正確なセグメンテーションのための合成混合欠陥データのトレーニングという3段階のトレーニングで構成されている。実験では、SePArateがベースラインを上回っている。

関連論文リスト

Not Every Subject Should Stay: Machine Unlearning for Noisy Engagement Recognition [53.005382593686356]
エンゲージメント認識データセットは典型的には主観的インデクシングであり、しばしば騒々しく主観的な監督を含んでいる。本研究では、この設定を、エンゲージメント認識のためのポストホック衛生機構として、主観レベルマシンアンラーニングを通して研究する。
論文参考訳（メタデータ） (2026-05-06T10:03:06Z)
Direct Learning of Calibration-Aware Uncertainty for Neural PDE Surrogates [0.0]
相互規則化された不確実性は、保持された正規化分割を経由した経路を用いた訓練中の不確実性パラメータを学習する。予測器はトレーニングスプリットに適合するように最適化され、低次元の不確実性制御は正規化スプリットに最適化され、列車テストミスマッチを低減する。フーリエ・ニューラル・オペレーターのアプローチをインスタンス化し、観測された分数およびトレーニングセットのサイズに対して APEBench sweeps の評価を行う。
論文参考訳（メタデータ） (2026-02-11T17:57:20Z)
Temper-Then-Tilt: Principled Unlearning for Generative Models through Tempering and Classifier Guidance [51.532841645285835]
本研究では,タスクを目標分布に対する密度比推定としてフレーミングすることで,大規模生成モデルにおける機械学習について検討する。左折集合がシャープで集中したデータ分布を表す場合、有限サンプルで忠実に解けないことを示す。本稿では,基本モデルを凍結し,二段階の推論手法を適用したTemper-Then-Tilt Unlearning(T3-Unlearning)を提案する。
論文参考訳（メタデータ） (2026-02-10T19:08:40Z)
Sample-Centric Multi-Task Learning for Detection and Segmentation of Industrial Surface Defects [3.0497940633809395]
試料品質制御(QC)のための工業用表面欠陥検査は、与えられた試料が欠陥を含むか否かを同時に決定し、それらの欠陥を局所化する必要がある。既存のモデルは強いピクセルオーバーラップ測定値を得るが、サンプルレベルでの安定性は不十分である。サンプル中心型マルチタスク学習フレームワークと評価スイートを提案する。
論文参考訳（メタデータ） (2025-10-15T07:24:26Z)
SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
論文参考訳（メタデータ） (2024-07-23T20:34:23Z)
Self-training with dual uncertainty for semi-supervised medical image segmentation [9.538419502275975]
従来の自己学習手法は、反復学習のための擬似ラベルを生成することによって、ラベル付きデータ不足の問題を部分的に解決することができる。サンプルレベルと画素レベルの不確実性を加えて,自己学習フレームワークに基づくトレーニングプロセスの安定化を図る。提案手法は,同じ設定下で両方のデータセットのセグメンテーション性能を向上する。
論文参考訳（メタデータ） (2023-04-10T07:57:24Z)
Automatic defect segmentation by unsupervised anomaly learning [0.5999777817331318]
我々のセグメンテーションの入力は、候補欠陥領域の走査電子顕微鏡(SEM)画像である。クリーンな背景画像のデータセットを用いて、欠陥をセグメント化するためにU-net形状ネットワークをトレーニングする。実験の結果,データセットに欠陥例がないにも関わらず,実際の欠陥を高品質にセグメント化することに成功していることがわかった。
論文参考訳（メタデータ） (2022-02-07T08:33:36Z)
Guided Point Contrastive Learning for Semi-supervised Point Cloud Semantic Segmentation [90.2445084743881]
そこで本研究では,モデル性能を向上させるために,未ラベルの点群をトレーニングに採用するための半教師付き点群セマンティックセマンティックセマンティックセマンティクスを提案する。近年の自己監督型タスクのコントラスト損失に触発されて,特徴表現とモデル一般化能力を高めるためのガイド付きポイントコントラスト損失を提案する。
論文参考訳（メタデータ） (2021-10-15T16:38:54Z)
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)
Weakly Supervised Deep Nuclei Segmentation Using Partial Points Annotation in Histopathology Images [51.893494939675314]
本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
論文参考訳（メタデータ） (2020-07-10T15:41:29Z)

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。