[1] 陈翔， 杨音. 集成电路全产业链标准数据统计分析［J］. 中国标准化， 2022（6）： 33-37. doi: 10.3969/j.issn.1002-5944.2022.06.007CHENX， YANGY. Statistical analysis of the standards data in the whole IC industry chain［J］. China Standardization， 2022（6）： 33-37.（in Chinese）. doi: 10.3969/j.issn.1002-5944.2022.06.007
[2] 潘桂忠. 亚微米CMOS芯片与制程剖面结构［J］. 集成电路应用， 2019， 36（3）：30-34. doi: 10.19339/j.issn.1674-2583.2019.03.008PANG ZH. Submicron CMOS chips and process profile structure［J］. Applications of IC， 2019， 36（3）：30-34.（in Chinese）. doi: 10.19339/j.issn.1674-2583.2019.03.008
[3] 张思琪， 周思翰， 杨卓俊， 等. 基于数字微镜器件的无掩膜光刻技术进展［J］. 光学 精密工程， 2022， 30（1）：12-30. doi: 10.37188/OPE.20223001.0012ZHANGS Q， ZHOUS H， YANGZH J， et al. Research progress of maskless lithography based on digital micromirror devices［J］. Opt. Precision Eng.， 2022， 30（1）：12-30.（in Chinese）. doi: 10.37188/OPE.20223001.0012
[4] M TANG, Z C CHEN, Z Q HUANG et al. Maskless multiple-beam laser lithography for large-area nanostructure/microstructure fabrication. Applied Optics, 50, 6536-6542(2011).
[5] Y LECUN, L BOTTOU, Y BENGIO et al. Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86, 2278-2324(1998).
[6] 卢宏涛， 张秦川. 深度卷积神经网络在计算机视觉中的应用研究综述［J］. 数据采集与处理， 2016， 31（1）：1-17. doi: 10.16337/j.1004-9037.2016.01.001LUH T， ZHANGQ CH. Applications of deep convolutional neural network in computer vision［J］. Journal of Data Acquisition & Processing， 2016， 31（1）：1-17.（in Chinese）. doi: 10.16337/j.1004-9037.2016.01.001
[7] 李旭冬， 叶茂， 李涛. 基于卷积神经网络的目标检测研究综述［J］. 计算机应用研究， 2017， 34（10）： 2881-2886， 2891. doi: 10.3969/j.issn.1001-3695.2017.10.001LIX D， YEM， LIT. Review of object detection based on convolutional neural networks［J］. Application Research of Computers， 2017， 34（10）： 2881-2886， 2891.（in Chinese）. doi: 10.3969/j.issn.1001-3695.2017.10.001
[8] J H YOON, S L INGALE, J S KIM et al. Effects of dietary supplementation of synthetic antimicrobial peptide-A3 and P5 on growth performance， apparent total tract digestibility of nutrients， fecal and intestinal microflora and intestinal morphology in weanling pigs. Livestock Science, 159, 53-60(2014).
[9] 杨荣坚， 王芳， 秦浩. 基于双目图像的行人检测与定位系统研究［J］. 计算机应用研究， 2018， 35（5）： 1591-1595， 1600. doi: 10.3969/j.issn.1001-3695.2018.05.068YANGR J， WANGF， QINH. Research of pedestrian detection and location system based on stereo images［J］. Application Research of Computers， 2018， 35（5）： 1591-1595， 1600.（in Chinese）. doi: 10.3969/j.issn.1001-3695.2018.05.068
[10] H LUO, M HE, B HUI et al. Pedestrian detection algorithm based on dual-model fused fully convolutional networks（Invited）. Infrared and Laser Engineering, 47, 203001(2018).
[11] 芮挺， 费建超， 周遊， 等. 基于深度卷积神经网络的行人检测［J］. 计算机工程与应用， 2016， 52（13）：162-166. doi: 10.3778/j.issn.1002-8331.1502-0122RUIT， FEIJ CH， ZHOUY， et al. Pedestrian detection based on deep convolutional neural network［J］. Computer Engineering and Applications， 2016， 52（13）：162-166.（in Chinese）. doi: 10.3778/j.issn.1002-8331.1502-0122
[12] 张新钰， 高洪波， 赵建辉， 等. 基于深度学习的自动驾驶技术综述［J］. 清华大学学报（自然科学版）， 2018， 58（4）： 438-444. doi: 10.16511/j.cnki.qhdxxb.2018.21.010ZHANGX Y， GAOH B， ZHAOJ H， et al. Overview of autopilot technology based on deep learning［J］. Journal of Tsinghua University （Science and Technology）， 2018， 58（4）： 438-444.（in Chinese）. doi: 10.16511/j.cnki.qhdxxb.2018.21.010
[13] 杨聚圃， 杜佳林， 李凡星， 等. 基于深度学习的数字光刻自动检焦方法［J］. 光子学报， 2022， 51（6）： 0611002. doi: 10.3788/gzxb20225106.0611002YANGJ P， DUJ L， LIF X， et al. Deep learning based method for automatic focus detection in digital lithography［J］. Acta Photonica Sinica， 2022， 51（6）： 0611002.（in Chinese）. doi: 10.3788/gzxb20225106.0611002
[14] 郭求是. 基于深度学习的光刻热点检测技术研究［D］. 杭州： 浙江大学， 2019.GUOQ SH. Research on Lithography Hot Spot Detection Technology based on Deep Learning［D］. Hangzhou： Zhejiang University， 2019. （in Chinese）
[15] Y T YU, G H LIN, I H R JIANG et al. Machine-learning-based hotspot detection using topological classification and critical feature extraction, 1-6(29).
[16] K M HE, X Y ZHANG, S Q REN et al. Spatial pyramid pooling in deep convolutional networks for visual recognition. IEEE Transactions on Pattern Analysis and Machine Intelligence, 37, 1904-1916(2015).
[18] S Q REN, K M HE, R GIRSHICK et al. Faster R-CNN： towards real-time object detection with region proposal networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39, 1137-1149(2017).
[19] R GIRSHICK, J DONAHUE, T DARRELL et al. Rich feature hierarchies for accurate object detection and semantic segmentation, 23, 2014(2014).
[20] W LIU, D ANGUELOV, D ERHAN et al. SSD：
[21] J REDMON, S DIVVALA, R GIRSHICK et al. You only look once： unified， real-time object detection, 27, 779-788(2016).
[22] J REDMON, A FARHADI. YOLO9000： better， faster， stronger, 21, 6517-6525(2017).
[24] S IOFFE, C SZEGEDY. Batch normalization： accelerating deep network training by reducing internal covariate shift. CoRR(2015).
[25] C Y WANG, H Y MARK LIAO, Y H WU et al. CSPNet： a new backbone that can enhance learning capability of CNN, 14, 2020(2020).
[26] K M HE, X Y ZHANG, S Q REN et al. Deep residual learning for image recognition, 27, 770-778(2016).
[27] 李敏学. 基于注意力机制的图像显著区域提取算法分析与比较［D］. 北京： 北京交通大学， 2011.LIM X. Analysis and Comparison of Salient Region Extraction Algorithms Based on Attention Mechanism［D］. Beijing： Beijing Jiaotong University， 2011. （in Chinese）
[28] 焦军峰， 靳国旺， 熊新， 等. 旋转矩形框与CBAM改进RetinaNet的SAR图像近岸舰船检测［J］. 测绘科学技术学报， 2020， 37（6）： 603-609.JIAOJ F， JING W， XIONGX， et al. SAR images nearshore ship detection based on RetinaNet algorithm with rotated rectangular box［J］. Journal of Geomatics Science and Technology， 2020， 37（6）： 603-609.（in Chinese）
[29] 张世权， 朱斌， 顾霞. 不同衬底材料对光刻胶剖面的影响［J］. 电子与封装， 2013， 13（8）： 37-39. doi: 10.3969/j.issn.1681-1070.2013.08.011ZHANGSH Q， ZHUB， GUX. Research of photo resists cross section on different substrate material［J］. Electronics and Packaging， 2013， 13（8）： 37-39.（in Chinese）. doi: 10.3969/j.issn.1681-1070.2013.08.011
[30] 韦亚一. 超大规模集成电路先进光刻理论与应用［M］. 北京： 科学出版社， 2016.WEIY Y. Theory and Application of Advanced Lithography for VLSI［M］. Beijing： Science Press， 2016.（in Chinese）
