تُعد الشبكة العصبية للتعلم العميق أداة قوية للكشف عن الشذوذ البصري (AD) وتشخيص العيوب، وذلك بفضل قدرتها القوية على التفسير الاستخلاصي في مجال التمثيل. وقد ثبت أن الميزات العميقة المستمدة من الشبكات العصبية المُدرّبة مسبقًا على مهمة تصنيف ImageNet مفيدة للكشف عن الشذوذ باستخدام تحليل التمييز الغاوسي. ومع التزايد المستمر في تعقيد الشبكات العصبية للتعلم العميق، أصبحت مجموعة الميزات العميقة ضخمة، حيث يصبح التكرار فيها أمرًا لا مفر منه. وتؤدي الميزات الزائدة إلى زيادة تكلفة الحساب وتقليل أداء طريقة الكشف عن الشذوذ. في هذه المقالة، نناقش اختيار الميزات العميقة لمهام الكشف عن الشذوذ، ونوضح كيفية تقليل التكرار في مجال التمثيل. ونقترح طريقة اختيار أفقي (تقليل الأبعاد) للميزات باستخدام تحليل الفضاء الفرعي، وطريقة اختيار رأسي لتحديد الطبقة الشبكية الأكثر فعالية لمهام الكشف عن الشذوذ وتشخيص العيوب. وقد تم اختبار الطريقة المقترحة على مجموعتين بيانات عامتين، إحداهما لمهام الكشف عن الشذوذ، والأخرى لتشخيص عيوب المحامل. ونُظهر أهمية الطبقات المختلفة في الشبكة والمساحات الفرعية للميزات بالنسبة لمهام الكشف عن الشذوذ، ونثبت فعالية استراتيجية اختيار الميزات.