本发明涉及芯片分析领域，特别涉及一种芯片分析的跨层语义分割方法。
背景技术：
1、芯片分析是对集成电路芯片进行深入分析和研究，以获取其设计细节、功能特性、内部结构及算法等信息的过程。在芯片分析里，需要根据已有的芯片图像提取线和孔。随着芯片的设计越来越精巧，体积越来越小，芯片里的器件越来越密集，芯片图像线、孔的提取挑战也越来越大。除此之外，显微镜拍摄芯片内部结构时，细微的拍摄角度偏差和电波影响都会导致图片拍摄产生误差，增加了对线、孔识别提取的难度。芯片由多层构成，包含poly层、diff层、以及多个金属层等等。芯片图像的线、孔提取需要对所有层实施，一般使用图像的语义分割技术，对目标层图像中的每个像素进行分类，从而区分图像中不同的物体。传统做法只向模型输入单个目标层图像，独立解决各个层的线、孔提取，忽略了层与层之间的关联，如上一层的孔必定映射到下一层的线。本发明提出一种跨层联合语义分割方法，通过输入跨层的图像信息和分类标签，使模型获取并理解芯片跨层线、孔分布的逻辑关系，提升线、孔提取的准确率。
技术实现思路
1、本发明目的是：提供一种芯片分析的跨层语义分割方法，通过跨层的图像信息和分类标签，使模型获取并理解芯片跨层线与孔的逻辑关系，提升线、孔提取的准确率。
2、本发明的技术方案是：
3、一种芯片分析的跨层语义分割方法，所述跨层为跨芯片层，包括以下步骤：
4、s1、制作具有跨层的图像信息和分类标签的数据集；
5、s2、搭建跨层语义分割模型；
6、s3、训练跨层语义分割模型；
7、s4、使用训练好的模型对芯片图像进行推理。
8、优选的，步骤s1中制作具有跨层的图像信息和分类标签的数据集具体包括：
9、选取芯片图像识别的目标层与相邻辅助层，准备像素的分类标签；
10、根据标注成本和模型最终效果，只为目标层，或为目标层和部分辅助层标注分类标签；
11、若只为目标层提供分类标签，则模型退化为单层监督语义分割模型；
12、多层分类标签联合监督使模型理解芯片跨层线、孔分布的逻辑关系；
13、数据集按照任务确定语义信息的类别。
14、优选的，所述步骤s2中搭建的跨层语义分割模型编码器和解码器部分；
15、编码器包括各类深度学习编码器；跨层语义分割模型在模型输入侧支持输入目标层和辅助层图像，使得模型的视野覆盖到跨层的线、孔信息；在数据流的构造中，输入的跨层图像为[batch_size,n_layers,h,w,c]的矩阵，其中batch_size为一个批次的样本个数，n_layers为跨层数，h,w为输入图像的高和宽，c为图像通道数；经过编码器后矩阵变换为[batch_size*n_layers,c,h,w]，其中c为编码器输出通道数，h,w为特征图像的高和宽。
16、优选的，所述解码器部分由跨层数与分类标签的类别数决定输入通道数与输出通道数；输入通道数等于n_layers*c，输出通道数等于n_layers乘以分类标签的类别数；经过解码器后矩阵变换为[batch_size,n_classes*n_layers,h,w]，n_classes为分类标签的类别数，线、孔联合训练时n_classes=2。
17、优选的，所述步骤s3中训练跨层语义分割模型具体包括：
18、将数据集分割为训练集、验证集和测试集；
19、在训练集上使用目标层和辅助层中所有获取的分类标签训练模型；
20、损失函数为：
21、；
22、其中、分别是像素点为线、孔的预测概率，、分别是像素点为线、孔的0、1分类标签；是线像素点的损失函数，形式为：
23、；
24、是孔像素点的损失函数，形式为：
25、。
26、优选的，所述步骤s4中对芯片图像进行推理具体包括：将待推理芯片图像的目标层和辅助层输入到训练好的模型中，输出目标层的线、孔的预测概率并保存。
27、本发明的优点是：
28、本发明提出的芯片分析的跨层语义分割方法，通过输入跨层的图像信息和分类标签，使模型获取并理解芯片跨层线、孔分布的逻辑关系，提升线、孔提取的准确率。
1.一种芯片分析的跨层语义分割方法，所述跨层为跨芯片层，其特征在于，包括以下步骤：
2.根据权利要求1所述的芯片分析的跨层语义分割方法，其特征在于，步骤s1中制作具有跨层的图像信息和分类标签的数据集具体包括：
3.根据权利要求2所述的芯片分析的跨层语义分割方法，其特征在于，所述步骤s2中搭建的跨层语义分割模型编码器和解码器部分；
4.根据权利要求3所述的芯片分析的跨层语义分割方法，其特征在于，所述解码器部分由跨层数与分类标签的类别数决定输入通道数与输出通道数；输入通道数等于n_layers*c，输出通道数等于n_layers乘以分类标签的类别数；经过解码器后矩阵变换为[batch_size,n_classes*n_layers,h,w]，n_classes为分类标签的类别数，线、孔联合训练时n_classes=2。
5.根据权利要求4所述的芯片分析的跨层语义分割方法，其特征在于，所述步骤s3中训练跨层语义分割模型具体包括：
6.根据权利要求5所述的芯片分析的跨层语义分割方法，其特征在于，所述步骤s4中对芯片图像进行推理具体包括：将待推理芯片图像的目标层和辅助层输入到训练好的模型中，输出目标层的线、孔的预测概率并保存。
