Wir betrachten das Problem der Anomalieerkennung in Bildern und stellen eine neue Erkennungstechnik vor. Angenommen, wir haben eine Stichprobe von Bildern, die alle einer „normalen“ Klasse zugeordnet sind (z.B. Hunde), so zeigen wir, wie man ein tiefes neuronales Modell trainieren kann, das außerhalb der Verteilung liegende Bilder (d.h. nicht-hundähnliche Objekte) erkennen kann. Das Kernkonzept unseres Ansatzes besteht darin, ein Mehrklassenmodell zu trainieren, um zwischen Dutzenden geometrischer Transformationen zu unterscheiden, die auf allen gegebenen Bildern angewendet werden. Die durch das Modell erlernten Nebenkenntnisse erzeugen Merkmalsdetektoren, die bei Testzeit effektiv anomale Bilder basierend auf den Softmax-Aktivierungstatistiken des Modells identifizieren können, wenn es auf transformierten Bildern angewendet wird. Wir präsentieren umfangreiche Experimente mit dem vorgeschlagenen Detektor, die darauf hindeuten, dass unser Algorithmus die Stand der Technik-Methoden deutlich verbessert.