Wir betrachten das Problem der Erkennung von außerhalb der Verteilung liegenden Bildern in neuronalen Netzen. Wir schlagen ODIN vor, eine einfache und effektive Methode, die keine Änderungen an einem vortrainierten neuronalen Netz erfordert. Unser Ansatz basiert auf der Beobachtung, dass durch Temperaturskalierung und Hinzufügen kleiner Störungen zum Eingang die Softmax-Wahrscheinlichkeitsverteilungen zwischen in-Verteilung und außerhalb der Verteilung liegenden Bildern getrennt werden können, was eine effektivere Erkennung ermöglicht. In einer Reihe von Experimenten zeigen wir, dass ODIN mit verschiedenen Netzarchitekturen und Datensätzen kompatibel ist. Es übertreffen die Baseline-Methode deutlich und etabliert einen neuen Stand der Technik in dieser Aufgabe. Zum Beispiel reduziert ODIN bei DenseNet (angewendet auf CIFAR-10) die Falsch-Positiven-Rate von 34,7 % auf 4,3 %, wenn die Wahre-Positiven-Rate 95 % beträgt.