지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 金性範
- 발행연도
- 2020
- 저작권
- 고려대학교 논문은 저작권에 의해 보호받습니다.
이용수5
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
Wafer bin maps (WBMs) represent the wafer test results in semiconductor processes. In WBMs, identifying the defect patterns are significant because the defect patterns can be used to detect the root causes of a defect. However, WBM researches in a real application suffer from insufficient training data for pattern analysis, so it is hard to apply machine learning techniques. Moreover, it is significant to classify the die, which is the minimum unit in a wafer, for identifying accurate causes, but the previous studies were conducted for the wafers. In this study, we use a variational autoencoder to generate new WBMs samples to build an accurate classifier for defect patterns. We then propose a die-wise defect segmentation system. This system aims to enable classification the cause of defects by using SegNet, a deep convolutional encoder-decoder architecture. To demonstrate the robustness and effectiveness of the proposed methodology, we conducted an experimental evaluation to compare the accuracy of the proposed approach than the ones of two variants of autoencoders. The experimental study confirmed that the proposed approach shows superior performance in the results.
목차
1. 서론. 12. 관련 연구. 102.1. Variational autoencoder. 102.2. SegNet 123. 제안 방법론. 153.1. Deep autoencoder-based segmentation approach 163.2. Convolutional autoencoder-based segmentation approach. 173.3. SegNet-based segmentation approach. 194. 실험 결과. 214.1. 학습 및 검증 데이터 생성. 214.2. 실험 평가 척도. 244.3. 생성 데이터 평가 결과. 254.4. 제안 데이터 평가 결과. 265. 결론. 32참고 문헌. 33
최근 본 자료
댓글(0)
0