探索用于半导体缺陷分割的主动学习
计算机视觉与模式识别
2025-07-24 v1
摘要
X射线显微镜（XRM）技术的发展使得对半导体结构进行无损检测以识别缺陷成为可能。深度学习作为最先进的方法被广泛用于执行视觉分析任务。然而，基于深度学习的模型需要大量标注数据进行训练。这对于语义分割等密集预测任务来说，获取标注数据可能既耗时又昂贵。在这项工作中，我们探索了主动学习（AL）作为减轻标注负担的潜在解决方案。我们确定了将 AL 应用于半导体 XRM 扫描时面临的两个独特挑战：大的域偏移和严重的类别不平衡。为应对这些挑战，我们提出在未标注数据上进行对比预训练，以获得每个 AL 周期的初始化权重，以及一个稀有度感知的获取函数，该函数倾向于选择包含稀有类别的样本。我们在一个半导体数据集上评估了我们的方法，该数据集由高带宽存储器结构（包含逻辑芯片和存储芯片）的 XRM 扫描编译而成，并证明了我们的方法达到了最先进的性能。
引用
@article{arxiv.2507.17359,
title = {Exploring Active Learning for Semiconductor Defect Segmentation},
author = {Lile Cai and Ramanpreet Singh Pahwa and Xun Xu and Jie Wang and Richard Chang and Lining Zhang and Chuan-Sheng Foo},
journal= {arXiv preprint arXiv:2507.17359},
year = {2025}
}
备注
accepted to ICIP 2022