| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第14-29页 |
| 1.1 引言 | 第14-15页 |
| 1.2 集成电路光刻工艺简介 | 第15-18页 |
| 1.3 光学邻近效应 | 第18-20页 |
| 1.4 分辨率增强技术 | 第20-24页 |
| 1.4.1 沉浸式光刻 | 第20-22页 |
| 1.4.2 离轴照明 | 第22-23页 |
| 1.4.3 次分辨率辅助图形 | 第23-24页 |
| 1.4.4 其他的分辨率增强技术 | 第24页 |
| 1.5 可制造性设计技术 | 第24-27页 |
| 1.6 论文的研究内容、创新点及结构 | 第27-29页 |
| 1.6.1 论文研究内容 | 第27页 |
| 1.6.2 论文创新点 | 第27-28页 |
| 1.6.3 论文结构 | 第28-29页 |
| 2 光学邻近校正技术和光刻热点检测技术 | 第29-39页 |
| 2.1 引言 | 第29页 |
| 2.2 光学邻近校正技术 | 第29-32页 |
| 2.2.1 基于规则的光学邻近校正技术 | 第29-30页 |
| 2.2.2 基于模型的光学邻近校正技术 | 第30-32页 |
| 2.3 光刻热点检测技术 | 第32-37页 |
| 2.3.1 基于光刻仿真的光刻热点检测 | 第32-33页 |
| 2.3.2 基于模式匹配的光刻热点检测 | 第33-34页 |
| 2.3.3 基于机器学习的光刻热点检测 | 第34-37页 |
| 2.4 本章小结 | 第37-39页 |
| 3 卷积神经网络与目标检测 | 第39-49页 |
| 3.1 深度学习概述 | 第39-40页 |
| 3.2 卷积神经网络 | 第40-44页 |
| 3.2.1 卷积层 | 第41-42页 |
| 3.2.2 池化层 | 第42-43页 |
| 3.2.3 激活层 | 第43-44页 |
| 3.2.4 全连接层 | 第44页 |
| 3.3 基于深度学习的目标检测算法 | 第44-48页 |
| 3.3.1 基于候选区域的目标检测 | 第45-47页 |
| 3.3.2 基于回归方法的目标检测 | 第47-48页 |
| 3.4 本章小结 | 第48-49页 |
| 4 基于图像分类的光刻热点检测 | 第49-56页 |
| 4.1 基于VGG16的光刻热点检测 | 第49-53页 |
| 4.1.1 VGGNet网络结构 | 第49-51页 |
| 4.1.2 基于VGG16的光刻热点检测算法 | 第51-52页 |
| 4.1.3 光刻热点检测评价指标 | 第52-53页 |
| 4.2 实验结果与讨论 | 第53-54页 |
| 4.3 本章小结 | 第54-56页 |
| 5 基于目标检测的光刻热点检测 | 第56-67页 |
| 5.1 基于Faster R-CNN的光刻热点检测 | 第57-60页 |
| 5.1.1 候选区域生成网络 | 第57-59页 |
| 5.1.2 Fast R-CNN网络 | 第59-60页 |
| 5.2 软性非极大值抑制 | 第60-62页 |
| 5.3 在线难例挖掘 | 第62-63页 |
| 5.4 实验结果与讨论 | 第63-65页 |
| 5.5 本章小结 | 第65-67页 |
| 6 总结与展望 | 第67-69页 |
| 6.1 论文总结 | 第67-68页 |
| 6.2 工作展望 | 第68-69页 |
| 参考文献 | 第69-78页 |
| 作者简历及攻读硕士学位期间主要的研究成果 | 第78页 |