-
公开(公告)号：CN119169344B
公开(公告)日：2025-04-22
申请号：CN202411145247.2
申请日：2024-08-20
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于降低空间和通道特征冗余的可微分神经架构搜索方法，该方法包括首先定义搜索空间，在该搜索空间中寻找最优的神经网络架构；设计空间特征重构模块来消除空间特征冗余；使用自适应通道注意力模块通过快速一维卷积提取每个通道的重要性，根据计算出的注意力权重用于指导通道的去向；其中，注意力权重较高的通道被发送到操作空间，而其他通道则直接与操作空间的输出接触，以平衡信息保留和计算效率；将搜索到的最佳网络架构单元进行堆叠，重新构建并训练神经网络模型，进而实现图像的分类任务。本发明在轻量级、高效性、动态通道选择、信息保留与计算效率平衡、易于扩展与泛化以及提升图像分类性能等方面均展现出显著的优势。
-
公开(公告)号：CN117893481B
公开(公告)日：2024-10-11
申请号：CN202311782021.9
申请日：2023-12-22
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06T7/00 , G06V10/26 , G06V10/42 , G06V10/44 , G06V10/762 , G06V10/77 , G06V10/774 , G06V10/82
Abstract: 本发明提供一种基于自监督对比学习的混合型晶圆缺陷识别分割方法，包括以下步骤：收集大量无标签混合型晶圆数据，生成少量有像素级别标签的混合型晶圆数据；将有像素级别标签的混合型晶圆数据集划分为训练集和测试集；构建深度学习图像识别分割网络，将整个网络划分为编码器和解码器；网络预训练阶段，基于无标签数据集构建自监督任务；网络微调阶段，使用有标签数据的训练集重新训练图像分割网络，并在测试集上进行准确率验证；输出重新训练完成的图像识别分割网络，并进行混合型晶圆图像的识别与分割。本发明能够同时对缺陷模式进行识别和分割，解决了当前人工标注数据不足的问题，在实际工业生产中具有很好的应用前景。
-
公开(公告)号：CN117893481A
公开(公告)日：2024-04-16
申请号：CN202311782021.9
申请日：2023-12-22
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06T7/00 , G06V10/26 , G06V10/42 , G06V10/44 , G06V10/762 , G06V10/77 , G06V10/774 , G06V10/82
Abstract: 本发明提供一种基于自监督对比学习的混合型晶圆缺陷识别分割方法，包括以下步骤：收集大量无标签混合型晶圆数据，生成少量有像素级别标签的混合型晶圆数据；将有像素级别标签的混合型晶圆数据集划分为训练集和测试集；构建深度学习图像识别分割网络，将整个网络划分为编码器和解码器；网络预训练阶段，基于无标签数据集构建自监督任务；网络微调阶段，使用有标签数据的训练集重新训练图像分割网络，并在测试集上进行准确率验证；输出重新训练完成的图像识别分割网络，并进行混合型晶圆图像的识别与分割。本发明能够同时对缺陷模式进行识别和分割，解决了当前人工标注数据不足的问题，在实际工业生产中具有很好的应用前景。
-
公开(公告)号：CN119169344A
公开(公告)日：2024-12-20
申请号：CN202411145247.2
申请日：2024-08-20
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于降低空间和通道特征冗余的可微分神经架构搜索方法，该方法包括首先定义搜索空间，在该搜索空间中寻找最优的神经网络架构；设计空间特征重构模块来消除空间特征冗余；使用自适应通道注意力模块通过快速一维卷积提取每个通道的重要性，根据计算出的注意力权重用于指导通道的去向；其中，注意力权重较高的通道被发送到操作空间，而其他通道则直接与操作空间的输出接触，以平衡信息保留和计算效率；将搜索到的最佳网络架构单元进行堆叠，重新构建并训练神经网络模型，进而实现图像的分类任务。本发明在轻量级、高效性、动态通道选择、信息保留与计算效率平衡、易于扩展与泛化以及提升图像分类性能等方面均展现出显著的优势。
-
-
-
Search Results
4
records
(took 0.047 seconds)
