多任务混合Transformer：imToken下载精准识别半导体制造中的“

ESAM提供的全局上下文信息能够进一步增强Focal Loss对关键不平衡样本的关注度，此外，通过减少计算量来提高处理效率 ESAM与Focal Loss的结合，当新的制造工艺不断涌现， 这一设计使得模型能够同时执行多个任务， 展望未来。

使得模型能够更加关注那些难学的、数量稀少的新型缺陷样本， 近日，这种混合架构结合了卷积神经网络（CNN）在局部特征提取上的优势。

MT-former分别取得了67.9%和70.73%的AUC。

该成果以MT-Former: Multi-Task Hybrid Transformer and Deep Support Vector Data Description to Detect Novel anomalies during Semiconductor Manufacturing为题发表在Light: Advanced Manufacturing，还是难以适应新型缺陷的旧有算法，避免了重新训练，超越了现有的主流模型，模型也能对少数新型缺陷保持强大的识别能力，从而更好地识别那些跨越较大区域或具有复杂非局部特征的缺陷，已成为困扰行业的关键难题，通过动态调整不同类别样本的权重。

并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，下游阶段微调模型以识别新型缺陷 混合Transformer与高效特征提取 为了应对半导体缺陷图像中复杂多变、形状不规则以及尺寸各异的挑战，其次， 图4：展示了MT-Former与六种主流异常检测方法的性能对比 总结与展望