Automatic defect segmentation by unsupervised anomaly learning

要約

この論文は、半導体製造における欠陥セグメンテーションの問題に対処します。
セグメンテーションの入力は、候補欠陥領域の走査型電子顕微鏡（SEM）画像です。
きれいな背景画像のデータセットを使用して欠陥をセグメント化するようにU-net形状ネットワークをトレーニングします。
トレーニングフェーズのサンプルは、手動でラベル付けする必要がないように自動的に生成されます。
クリーンなバックグラウンドサンプルのデータセットを充実させるために、欠陥インプラントの増強を適用します。
そのために、きれいな標本にランダムな画像パッチのコピーアンドペーストを適用します。
ラベルなしデータシナリオの堅牢性を向上させるために、教師なし学習方法と損失関数を使用してネットワークの機能をトレーニングします。
私たちの実験は、データセットに欠陥の例が含まれていなくても、実際の欠陥を高品質でセグメント化することに成功していることを示しています。
私たちのアプローチは、教師ありおよびラベル付き欠陥セグメンテーションの問題に対しても正確に実行されます。

要約(オリジナル)

This paper addresses the problem of defect segmentation in semiconductor manufacturing. The input of our segmentation is a scanning-electron-microscopy (SEM) image of the candidate defect region. We train a U-net shape network to segment defects using a dataset of clean background images. The samples of the training phase are produced automatically such that no manual labeling is required. To enrich the dataset of clean background samples, we apply defect implant augmentation. To that end, we apply a copy-and-paste of a random image patch in the clean specimen. To improve the robustness of the unlabeled data scenario, we train the features of the network with unsupervised learning methods and loss functions. Our experiments show that we succeed to segment real defects with high quality, even though our dataset contains no defect examples. Our approach performs accurately also on the problem of supervised and labeled defect segmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google