Les approches existantes de détection et de segmentation des anomalies basées sur les réseaux de neurones convolutifs (CNN) sont soit trop sensibles, soit insuffisamment sensibles au bruit, ce qui entraîne une détection partielle des motifs anormaux lors de l’étape de test. Bien que ces méthodes puissent distinguer les images normales des images anormales, elles ne parviennent pas à localiser avec précision les anomalies présentes dans les images de test. Pour remédier à ce problème, nous proposons un modèle CNN à deux étapes pour la segmentation et la détection des anomalies de type grossier à fin, appelé TASAD (Two-stage Anomaly Segmentation and Detection). Dans les deux étapes de TASAD, nous entraînons notre modèle sur un mélange d’échantillons normaux et anormaux. Les images anormales sont obtenues en insérant des motifs pseudo-anormaux générés automatiquement à partir d’images sources d’anomalies. Nous utilisons une technique novatrice et sophistiquée d’insertion d’anomalies pour générer divers échantillons anormaux. Dans la première étape, nous concevons un modèle de segmentation d’anomalies grossières (CAS), qui prend une image entière en entrée. Dans la deuxième étape, nous entraînons un modèle de segmentation d’anomalies fines (FAS) sur des patches d’image. Le modèle FAS améliore les performances de détection et de segmentation en affinant les motifs anormaux partiellement détectés par le modèle CAS. Nous avons entraîné notre cadre sur le jeu de données MVTec et l’avons comparé aux méthodes de pointe (SOTA). L’architecture proposée conduit à une taille de modèle compacte — quatre fois plus petite que la méthode de pointe — tout en offrant une meilleure précision au niveau des pixels. TASAD peut également être appliqué aux méthodes de pointe pour améliorer davantage leurs performances en détection des anomalies. Nos expériences démontrent que, lorsqu’il est appliqué aux dernières méthodes de pointe, TASAD améliore la performance moyenne de précision (AP) des méthodes précédentes de 6,2 %. Pour assurer la reproductibilité des résultats, le code est disponible à l’adresse suivante : https://github.com/RizwanAliQau/tasad.git.