Nous abordons le problème de la détection d'images hors distribution dans les réseaux neuronaux. Nous proposons ODIN, une méthode simple et efficace qui ne nécessite aucune modification d'un réseau neuronal pré-entraîné. Notre méthode repose sur l'observation que l'utilisation de l'échelle de température et l'ajout de petites perturbations à l'entrée peuvent séparer les distributions des scores softmax entre les images en distribution et hors distribution, permettant ainsi une détection plus efficace. Nous montrons, au cours d'une série d'expériences, que ODIN est compatible avec diverses architectures de réseaux et ensembles de données. Il dépasse constamment l'approche de base avec une marge importante, établissant un nouveau niveau de performance de pointe pour cette tâche. Par exemple, ODIN réduit le taux de faux positifs du taux de base de 34,7 % à 4,3 % sur DenseNet (appliqué à CIFAR-10) lorsque le taux de vrais positifs est de 95 %.