Recent innovations in CMOS image sensors
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The trend in semiconductor manufacturing over the last decade has been an accelerated rate for both materials integration and wafer fabrication process development. While the cutting edge of semiconductor technology is driven by digital logic and memory applications, several other technology sectors benefit from innovation by the leaders. Of these technology sectors, image sensor manufacturers have realized many benefits from the selective use of developments within advanced technology node manufacturing. The motivations for the imaging industry to pursue Moore's Law type of scaling are comparable to that of the broader semiconductor industry. Additionally, image sensor companies seek a reduction of camera module form factor, an increase in pixel resolution, and an increase in pixel array performance. Today, semi-professional grade digital single-lens reflex (DSLR) pixels have scaled down to the size of what were state-of-the-art “small pixel” consumer grade camera phone sensors just a few years ago. The pixel size of recent camera phones has shrunk to 1.12 μm. The resolution for recent camera phones has reached 16.4 Mp. Beyond silicon foundry processes, imaging companies must also concern themselves with the optical systems and packaging solutions required to integrate their silicon devices with the consumer electronics supply chain. Chipworks, as a supplier of competitive intelligence to the semiconductor and electronics industries, monitors the evolution of image sensor technologies as they come into production. Chipworks has obtained charge-coupled devices (CCD) and CMOS image sensor (CIS) chips from leading manufacturers and performed structural, compositional, and design analyses to benchmark the technology of the market leaders.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle