كشف وتحديد الشذوذ الصناعي باستخدام محولات الباقي المُراقبة ضعيفًا

أظهرت التطورات الحديثة في الكشف عن الشذوذ الصناعي (AD) أن دمج عدد قليل من العينات الشاذة أثناء التدريب يمكن أن يُحسّن بشكل كبير من الدقة. ومع ذلك، غالبًا ما يأتي هذا التحسن على حساب جهود التصنيف الواسعة، التي تُعد غير عملية في العديد من التطبيقات الواقعية. في هذا البحث، نقدّم إطارًا جديدًا يُسمى "Transformer المُشَوَّه المُتَحَدِّث بوضوح ضعيف" (WeakREST)، المصمم لتحقيق دقة عالية في الكشف عن الشذوذ مع تقليل الاعتماد على التصنيفات اليدوية. أولاً، نعيد صياغة مهمة تحديد موقع الشذوذ على مستوى البكسل إلى مشكلة تصنيف على مستوى الكتل. ثانيًا، نُقدّم تمثيلًا مميزًا قائماً على التباين يُسمى "البُقَى الشاذة السريعة الموضعية" (PosFAR)، الذي يُمكّن من التقاط الأنماط الشاذة بشكل أكثر فعالية. للاستفادة من هذا التمثيل، نُعدّل مُحَوِّل Swin لتعزيز الكشف عن الشذوذ وتحديد موقعه. بالإضافة إلى ذلك، نقترح منهجية تسمية ضعيفة تستخدم مربعات حدودية (bounding boxes) وعلامات الصور لتحديد المناطق الشاذة. تُنشئ هذه المنهجية سياقًا للتعلم شبه المُعلَّم، مما يقلل الاعتماد على التسميات الدقيقة على مستوى البكسل. ولتحسين عملية التعلّم بشكل أكبر، نطوّر خوارزمية جديدة تُسمى ResMixMatch، القادرة على التعامل مع التفاعل بين التسميات الضعيفة والتمثيلات القائمة على التباين.على مجموعة البيانات القياسية MVTec-AD، حقق أسلوبنا متوسط دقة (AP) قدره 83.0%، متفوّقًا على أفضل نتيجة سابقة قدرها 82.7% في البيئة غير المُعلَّمة. وفي بيئة الكشف المُعلَّمة، حقق WeakREST متوسط دقة قدره 87.6%، متفوّقًا على أفضل نتيجة سابقة قدرها 86.0%. وبشكل ملحوظ، حتى عند استخدام تسميات أضعف مثل المربعات الحدودية، تفوق WeakREST على الطرق الرائدة التي تعتمد على التصنيف على مستوى البكسل، حيث حقق AP قدره 87.1% مقارنةً بأفضل نتيجة سابقة قدرها 86.0% على MVTec-AD.