-
公开(公告)号：CN116756739A
公开(公告)日：2023-09-15
申请号：CN202310520010.7
申请日：2023-05-10
Applicant: 桂林电子科技大学
IPC: G06F21/56 , G06F21/55 , G06F18/214 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及GAFS预处理下基于注意力机制的DenseBlock结构及应用该结构的硬件木马分类检测算法。采用具备若干注意力机制支路网络的DenseNet结构。本发明从改进DenseNet模型的角度出发，提出SE‑DenseNet‑BC（SDBC）模型，通过扩展注意力机制支路，获取更丰富的网络特征，提升网络的分类性能。经过网络层不断细化特征，硬件木马特征图像的部分特征会存在丢失的情况，从注意力机制支路获取的重点特征图特征，存在相互补充的作用，使得最终的硬件木马特征图特征更加完整。同时使用该结构的硬件木马分类检测算法首先通过GASF(Garmian Angular Summation Fields）预处理提取特征。
-
公开(公告)号：CN116503661A
公开(公告)日：2023-07-28
申请号：CN202310520009.4
申请日：2023-05-10
Applicant: 桂林电子科技大学
IPC: G06V10/764 , G06N3/0464 , G06N3/08 , G06V10/44 , G06V10/82 , G06F21/56
Abstract: 本发明涉及基于注意力机制的ResNeXt结构及应用该结构的硬件木马分类检测算法。采用具备若干注意力机制支路网络的ResNeXt结构。本发明从改进ResNeXt模型宽度的角度出发，提出注意力ResNeXt(Attention‑Res‑Attention,ARA)模型，通过扩展注意力机制支路，获取更丰富的网络特征，提升网络的分类性能。经过网络层不断细化特征，硬件木马特征图像的部分特征会存在丢失的情况，从注意力机制支路获取的重点特征图特征，存在相互补充的作用，使得最终的硬件木马特征图特征更加完整。注意力ResNeXt网络结构是在原有的ResNeXt结构的基础上，增加注意力支路网络，使最后的全连接层可以连接多个参数，从而获得更多的图像信息，丰富网络学习的细节特征，提升ResNeXt网络的性能。
-
Patent Agency Ranking
公开(公告)号：CN115170422A
公开(公告)日：2022-10-11
申请号：CN202210798956.5
申请日：2022-07-08
Applicant: 桂林电子科技大学
IPC: G06T5/00 , G06V10/762 , G06V10/74
Abstract: 本发明提出一种可以自动选择最优参数的图像滤波方法，针对晶圆图领域的混合缺陷模式晶圆图进行滤波处理，包括对混合缺陷模式的晶圆图图像进行初步聚类，形成多个小的聚类簇或噪声点，去除噪声点与噪声簇；根据设定的核心簇数量，对非核心簇进行合并或去除处理；计算合并或去除之后聚类簇的SD值，使得SD最大的核心簇数量即为最优的聚类簇数量，对应的滤波结果为最优滤波结果。本发明有效的解决了混合缺陷模式晶圆图使用传统滤波算法需要手动设置先验参数，且聚类簇数量无法确定的问题。
-
公开(公告)号：CN118171274A
公开(公告)日：2024-06-11
申请号：CN202410283066.X
申请日：2024-03-13
Applicant: 桂林电子科技大学
IPC: G06F21/56 , G06F18/241 , G06F18/214
Abstract: 本发明提出了MTF预处理下一种基于DenseBlock和ResBlock结合注意机制的深度学习硬件木马检测方法。采用具备若干注意力机制支路网络的DenseNet和具备残差结构的ResNet结构。本发明基于Pytorch框架实现对硬件木马检测识别算法，提出一个新颖的深度学习模型用于检测识别硬件木马。本发明从改进DenseNet模型和ResNet的角度出发，提出Res‑Dense‑SE Net模型，通过扩展注意力机制支路，获取更丰富的网络特征，提升网络的分类性能。经过网络层不断细化特征，硬件木马特征图像的部分特征会存在丢失的情况，从注意力机制支路获取的重点特征图特征，存在相互补充的作用，使得最终的硬件木马特征图特征更加完整。同时使用该结构的硬件木马分类检测算法首先通过MTF(Markov Transition Field)预处理提取特征。本发明能够提高检测识别集成电路中硬件木马的准确率，有利于提高硬件电路安全，对于国家集成电路和半导体发展具有现实意义。
-
公开(公告)号：CN116645334A
公开(公告)日：2023-08-25
申请号：CN202310520048.4
申请日：2023-05-10
Applicant: 桂林电子科技大学 , 南宁桂电电子科技研究院有限公司
IPC: G06T7/00 , G06T3/40 , G06T5/20 , G06V10/764 , G06V10/774 , G06V10/80 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提出一种新颖的特征增强残差网络，用于混合类型晶圆图缺陷识别分类。该方法包括，获取晶圆图缺陷数据集，并将晶圆图数据集设置为统一尺寸；然后将晶圆图数据集进行滤波，去除晶圆图上的噪声缺陷点；将晶圆图数据集划分为训练集和测试集；采用提出的特征增强残差网络作为主干网络构建识别模型，并用训练集对模型进行训练，使用测试集验证模型性能。经实验结果表明，本方法能够有效地识别晶圆图缺陷，提高了混合类型晶圆图缺陷识别的准确率和鲁棒性。
-
公开(公告)号：CN115271035A
公开(公告)日：2022-11-01
申请号：CN202210798988.5
申请日：2022-07-08
Applicant: 桂林电子科技大学
IPC: G06N3/04 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明涉及从宽度扩展网路的DCNN结构及应用该DCNN结构的图像分类算法。采用具备若干支路网络的DCNN结构，且最后的全连接层可以连接多个卷积层的参数。本发明从增加DCNN模型宽度的角度出发，提出多路径DCNN(MP‑DCNN，Multi Path‑DCNN)模型，通过扩展网络的宽度，获取更丰富的网络特征，提升网络的分类性能。经过网络层不断细化特征，晶圆图的部分特征会存在丢失的情况，从不同的卷积层获取的晶圆图特征，存在相互补充的作用，使得最终的晶圆图特征更加完整。多路径DCNN是在原有的DCNN结构的基础上，增加支路网络，使最后的全连接层可以连接多个卷积层的参数，从而获得更多的图像信息，丰富网络学习的细节特征，提升DCNN网络的性能。
-
公开(公告)号：CN116486176A
公开(公告)日：2023-07-25
申请号：CN202310520013.0
申请日：2023-05-10
Applicant: 桂林电子科技大学 , 南宁桂电电子科技研究院有限公司
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06T5/20 , G06N3/0464 , G06N3/08
Abstract: 本发明提出一种基于注意力空间金字塔池化的晶圆图故障模式识别方法，该方法结合深度卷积神经网络(DCNN)和注意力空间金字塔池化(ESPP)构建多尺度特征融合深度学习模型用于晶圆图故障模式识别。本发明基于Pytorch框架实现对晶圆图故障模式的检测识别算法，提出一个新颖的深度学习模型用于检测识别晶圆图故障模式。使用DCNN相比浅层的CNN能够更好的提取晶圆图故障特征，ESPP能够很好的解决晶圆图故障模式的类间相似性和类内相异性问题，多尺度特征融合能够将DCNN所提取晶圆图故障的浅层特征与深层特征相融合，进而可以更加准确的识别晶圆图故障模式。本发明能够提高半导体芯片制造过程中晶圆图故障模式的识别准确率，有利于提高半导体芯片生产的良率，对于国家半导体制造技术的发展具有极大的现实意义。
-
-
-
-
-
-
Search Results
7
records
(took 0.025 seconds)
