يمثل القدرة على تحديد القطع المعيبة عنصراً حاسماً في التصنيع الصناعي على نطاق واسع. وتشكل المشكلة التي نعالجها في هذا العمل، وهي مشكلة البدء البارد (cold-start): تكييف نموذج باستخدام صور أمثلة فقط من الفئة السليمة (غير المعيبة). وعلى الرغم من إمكانية تطوير حلول مصممة يدويًا لكل فئة، فإن الهدف هو بناء أنظمة تعمل بشكل جيد بشكل آلي على العديد من المهام المختلفة في آنٍ واحد. وتعتبر أفضل النماذج المُستخدمة دمجًا لتمثيلات (embeddings) من نماذج ImageNet مع نموذج كشف الشذوذ. في هذه الورقة، نوسع هذا الاتجاه ونُقدّم \textbf{PatchCore}، الذي يستخدم بنك ذاكرة يُمثّل بشكل أقصى خصائص الشريحة (patch-features) من الصور السليمة. يوفر PatchCore أداءً تنافسيًا في وقت الاستدلال، مع تحقيق أداءً متفوقًا على مستوى الحالة الحالية (state-of-the-art) في كلاً من الكشف والتحديد المكاني. وعلى معيار MVTec AD الشهير والصعب، يحقق PatchCore درجة AUROC للكشف عن الشذوذ على مستوى الصورة تصل إلى 99.6%، ما يقلل من الخطأ بأكثر من النصف مقارنة بالمنافس الأفضل التالي. كما نُقرّر نتائج تنافسية على مجموعتي بيانات إضافيتين، ونلاحظ أيضًا نتائج تنافسية في بيئة استخدام عينات قليلة. \freefootnote{$^*$∗ تم إنجاز هذا العمل خلال فترة تدريب بحثي في أمازون AWS.} الشفرة البرمجية: github.com/amazon-research/patchcore-inspection.