基于无监督异常学习的缺陷自动分割
计算机视觉与模式识别
2022-10-20 v2
摘要
本文解决半导体制造中的缺陷分割问题。我们分割的输入为候选缺陷区域的扫描电子显微镜（SEM）图像。我们训练一个U-net形状的网络，使用干净背景图像数据集来分割缺陷。训练阶段的样本自动生成，因此不需要人工标注。为了丰富干净背景样本的数据集，我们应用缺陷植入增强：为此，我们在干净样本中随机复制并粘贴图像块。为了提高无标签数据场景的鲁棒性，我们使用无监督学习方法和损失函数训练网络的特征。我们的实验表明，即使数据集中不含缺陷样本，我们也能成功高质量地分割真实缺陷。我们的方法在有监督带标签的缺陷分割问题上同样表现精确。
引用
@article{arxiv.2202.02998,
title = {Automatic defect segmentation by unsupervised anomaly learning},
author = {Nati Ofir and Ran Yacobi and Omer Granoviter and Boris Levant and Ore Shtalrid},
journal= {arXiv preprint arXiv:2202.02998},
year = {2022}
}