你只需要非热点区域：一种无需监督训练的热点区域检测方法

《ACM Transactions on Design Automation of Electronic Systems》：You Only Need Non-hotspot: An Unsupervised Training-Free Method for Layout Hotspot Detection

深度学习布局热点检测取得进展，但监督学习方法依赖人工标注热点，存在标注成本高和样本不足问题。本文提出新型无监督框架YONN，通过CNN生成多尺度原型库，结合形状和拓扑感知的查询机制实现精准匹配，并采用密度聚类优化原型规模。实验表明YONN在无标注条件下性能接近90%的监督方法，30%标注数据时可超越现有方法，支持动态原型扩展。

　　

摘要

基于深度学习的布局热点检测技术近期取得了显著进展，能够在设计早期阶段识别出潜在的缺陷模式。然而，大多数现有方法依赖于监督学习，这需要手动识别预先定义的热点区域，并导致大量的标注工作。此外，设计机构往往难以获得足够数量的标注热点样本，从而限制了这些方法的适用性和可扩展性。在本文中，我们介绍了一种新颖的方法，称为“你只需要非热点区域（YONN）”（You Only Need Non-Hotspots）。据我们所知，这是首个无需监督学习且无需训练的布局热点检测框架。该方法通过利用记忆中的原型和基于查询的推理机制来减少对标注热点数据的依赖。具体而言，YONN采用基于卷积神经网络（CNN）的原型生成网络来提取布局的多尺度、细粒度表示。在推理过程中，结合形状感知和拓扑感知的查询机制，实现了测试布局与记忆原型之间的精确像素级匹配。为了进一步提高YONN的效率和可扩展性，我们提出了一种原型采样策略，该策略整合了基于密度的聚类技术，显著减少了原型的规模。实验结果表明，尽管在完全无监督的环境中运行且无法访问热点数据，YONN的性能仍能达到领先的最先进监督学习方法的90%。作为一种可选的扩展，YONN仅使用30%的热点标签就超越了现有的最先进方法。值得注意的是，YONN是一个无需训练的框架，它可以通过直接将新样本纳入原型库来实现即时适应，从而支持在制造工作流程中进行高效且可扩展的学习。