半监督与无监督情境下的半导体制造中缺陷图像分类的领域适应
计算机视觉与模式识别
2025-06-19 v1 人工智能
摘要
在半导体行业，由于高需求且竞争日益激烈，上市时间和质量是获取various application领域显著市场份额的关键因素。近年来，深度学习方法在计算机视觉领域取得成功，Industry 4.0和5.0应用，如缺陷分类，取得了显著成果。特别是领域适应(DA)自从聚焦于使用在(源)域上学习的知识来适应和有效地应用于不同但相关(目标)域的任务后，证明效果极佳。通过提高鲁棒性和可扩展性，DA最小化了对大规模手动重新标注或重新训练模型的需求。这不仅减少了计算和资源成本，也允许人类专家专注于高价值任务。因此，我们测试了DA技术在半导体领域中在半监督和无监督设置下的有效性。此外，我们提出了DBACS方法，一种受CycleGAN启发的模型，通过添加额外损失项来提高性能。所有方法都在考虑无监督和半监督设置的真实世界电子显微镜图像上进行研究和验证，证明了本方法在推动半导体领域DA技术方面的有用性。
引用
@article{arxiv.2506.15260,
title = {Domain Adaptation for Image Classification of Defects in Semiconductor Manufacturing},
author = {Adrian Poniatowski and Natalie Gentner and Manuel Barusco and Davide Dalle Pezze and Samuele Salti and Gian Antonio Susto},
journal= {arXiv preprint arXiv:2506.15260},
year = {2025}
}