Nous abordons le problème de la détection d'anomalies dans les images et présentons une nouvelle technique de détection. Étant donné un échantillon d'images, toutes connues pour appartenir à une classe « normale » (par exemple, des chiens), nous montrons comment entraîner un modèle neuronal profond capable de détecter des images hors distribution (c'est-à-dire des objets qui ne sont pas des chiens). L'idée principale de notre méthode consiste à entraîner un modèle multiclasses pour discriminer entre plusieurs transformations géométriques appliquées à l'ensemble des images données. Les compétences auxiliaires acquises par le modèle génèrent des détecteurs de caractéristiques qui identifient efficacement, au moment du test, les images anormales en se basant sur les statistiques d'activation softmax du modèle lorsqu'il est appliqué à des images transformées. Nous présentons des expériences approfondies utilisant le détecteur proposé, qui indiquent que notre algorithme améliore considérablement les méthodes de pointe actuelles.