التحليل التمييزي للعيوب (Anomaly segmentation) هو مهمة بالغة الأهمية في التطبيقات المرورية، وتم التعامل معها تقليديًا كمشكلة تصنيف لكل بكسل على حدة. ومع ذلك، فإن التفكير في كل بكسل بشكل منفصل دون أخذ السياق الدلالي للبكسلات بعين الاعتبار يؤدي إلى ارتفاع مستوى عدم اليقين حول حدود الكائنات، فضلًا عن حدوث عدد كبير من النتائج الإيجابية الخاطئة. نقترح تغييرًا جوهريًا في النهج من التصنيف حسب البكسل إلى التصنيف حسب القناع (mask classification). يُظهر نهجنا القائم على القناع، المسمى Mask2Anomaly، إمكانية دمج طريقة كشف العيوب ضمن هيكلية تصنيف القناع. يتضمن Mask2Anomaly عدة ابتكارات تقنية مصممة لتحسين اكتشاف العيوب داخل القناع: أولاً، وحدة انتباه مُقنَّعة عالمية (global masked attention) تركز بشكل منفصل على مناطق المقدمة (foreground) والخلفية (background)؛ ثانيًا، تعلم القناع التبايني (mask contrastive learning) الذي يُحسّن الفجوة بين العيب والفئات المعروفة؛ ثالثًا، حل تحسين القناع (mask refinement) لتقليل عدد النتائج الإيجابية الخاطئة. تحقق Mask2Anomaly نتائج جديدة في مصاف أفضل النماذج الحالية عبر مجموعة متنوعة من المعايير، سواء في التقييمات حسب البكسل أو على مستوى المكونات. وبشكل خاص، تمكنت Mask2Anomaly من خفض معدل النتائج الإيجابية الخاطئة بمتوسط 60% مقارنةً بأفضل نموذج سابق. صفحة جيت هاب: https://github.com/shyam671/Mask2Anomaly-Unmasking-Anomalies-in-Road-Scene-Segmentation.