SEM-CLIP：基于扫描电子显微镜图像的纳米缺陷精准少样本学习
计算机视觉与模式识别
2025-02-24 v1 机器学习
摘要
在集成电路制造领域，检测和分类纳米级晶圆缺陷对于后续根因分析和产能提升至关重要。扫描电子显微镜（SEM）图像中观察到的复杂背景图案以及缺陷的多样纹理构成了重要挑战。传统方法常因数据不足、标注有限和迁�asticity差而受限。本文提出一种新型少样本学习方法SEM-CLIP，用于精准缺陷分类和分割。SEM-CLIP定制化的对比语言-图像预训练（CLIP）模型更专注于缺陷区域，最小化背景干扰，从而提升分割精度。我们采用富含领域知识的文本提示作为先验信息，以辅助精确分析。此外，我们的方法结合文本引导的特征工程，更有效地对缺陷进行分类。SEM-CLIP所需标注数据极少，大幅降低了半导体行业的人力需求。广泛实验验证表明，在少样本学习场景下，该模型实现了令人瞩目的分类和分割成果。
引用
@article{arxiv.2502.14884,
title = {SEM-CLIP: Precise Few-Shot Learning for Nanoscale Defect Detection in Scanning Electron Microscope Image},
author = {Qian Jin and Yuqi Jiang and Xudong Lu and Yumeng Liu and Yining Chen and Dawei Gao and Qi Sun and Cheng Zhuo},
journal= {arXiv preprint arXiv:2502.14884},
year = {2025}
}
备注
Published in ACM/IEEE International Conference on Computer-Aided Design (ICCAD), 2024