.png){kind=icon}
返回
Self-Training-Based Wafer Map Defect Pattern Labeling for Classification Accuracy Improvement
.png){kind=icon}
PRE
AI
DOI：10.1142/S021853932650004X.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确分类晶圆图缺陷模式对于追踪其发生情况以及支持制造过程中系统性缺陷的根本原因分析至关重要。尽管基于AI的方法近期获得了广泛关注，但它们通常需要大量标注样本才能实现高学习精度。本研究中，我们提出了一种自训练标注方法，通过为未标注数据分配标签来扩充训练集。该方法首先使用有限的标注数据训练AI模型，训练后的模型为未标注样本生成预测结果。我们调整可能易发生误分类数据的预测置信度，并基于此调整后的分数为未标注样本的一个子集分配标签。我们展示了该方法在标注数据上的模拟应用结果，标注准确率达到96.7%。
Keyword:
Wafer map
defect pattern classification
self-training
adjusted confidence score
ResNet
期刊
I
IF:
0.9
论文数:
68
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏Imbalanced Wafer Map Dataset Classification with Semi-Supervised Learning Method and Optimized Loss Function基于半监督学习方法和优化损失函数的不平衡晶圆图数据集分类
PREAI
分享收藏
分享收藏
没有更多内容
没有更多内容