Die Erkennung von Out-of-Distribution-Beispielen (außerhalb der Verteilung liegenden Beispiele) strebt danach, Neuerungen zu identifizieren, also Stichproben, die sich von der Norm unterscheiden. Diese Aufgabe wird als besonders herausfordernd angesehen, insbesondere dann, wenn die normale Datenverteilung aus mehreren semantischen Klassen besteht (z.B. verschiedenen Objektkategorien). Um dieser Herausforderung zu begegnen, erfordern aktuelle Ansätze das manuelle Kennzeichnen der während des Trainings bereitgestellten normalen Bilder. In dieser Arbeit adressieren wir die Mehrlagen-Novelty-Erkennung ohne Klassifikationslabels. Unsere einfache, aber effektive Lösung besteht aus zwei Phasen: Zunächst entdecken wir „Pseudo-Klassen“-Labels durch unsupervisiertes Clustering. Anschließend nutzen wir diese Pseudo-Klassen-Labels, um standardmäßige überwachte Methoden zur Erkennung von Out-of-Distribution-Beispielen anzuwenden. Wir überprüfen die Leistungsfähigkeit unserer Methode durch einen günstigen Vergleich mit dem aktuellen Stand der Technik und bieten eine umfangreiche Analyse sowie Ablationstests.