使用改进的半监督深度学习方法,对高带宽内存3D扫描进行强大的检测,细分和计量
Jie Wang1, Richard Chang1, Ziyuan Zhao1
1Institute for Infocomm Research (I2R), Agency for Science, Technology and Research (A*STAR), 1 Fusionopolis Way, #21-01, Connexis South Tower, Singapore 138632, Singapore.
Sensors (Basel, Switzerland)
|July 8, 2023
概括
本研究介绍了高级的3D半监督学习,用于在X射线扫描中检测和细分埋藏的结构. 新模型显著提高了对象检测的准确性和半导体分析的语义细分.
科学领域:
- 人工智能的人工智能
- 计算机视觉 计算机视觉
- 材料科学 材料科学 材料科学
背景情况:
- 3D深度学习加速了医学成像和机器人等领域的准确性和处理.
- 半监督学习利用未标记的数据来提高模型性能.
研究的目的:
- 在X射线半导体扫描中开发先进的3D模型用于对象检测和埋藏结构的细分.
- 通过半监督学习利用未标记的数据来增强检测和细分.
主要方法:
- 使用3D半监督学习来进行对象检测和细分.
- 在检测模型中使用对比式学习进行数据预选择.
- 应用了一个多尺度的平均教师范式用于3D语义细分.
主要成果:
- 在对象检测方面实现了高达16%的改进,在语义细分方面提高了7.8%.
- 证明了结构,组件和空洞缺陷的准确定位.
- 自动计量学包报告了关键特征的平均误差低于2μm.
结论:
- 拟议的3D半监督学习方法在半导体计量学中提供了最先进的性能.
- 该方法有效地增强了埋藏结构的分析和高分辨率扫描中的缺陷识别.
