Les méthodes de plus proches voisins (kNN) exploitant des caractéristiques profondes pré-entraînées montrent des performances très élevées en détection d’anomalies lorsqu’elles sont appliquées à des images entières. Une limitation de ces méthodes kNN réside dans l’absence de carte de segmentation indiquant la localisation précise de l’anomalie à l’intérieur de l’image. Dans ce travail, nous proposons une nouvelle approche de segmentation d’anomalies fondée sur l’alignement entre une image anormale et un nombre constant d’images normales similaires. Notre méthode, nommée Détection d’anomalies par pyramide sémantique (SPADE), repose sur des correspondances basées sur une pyramide de caractéristiques à plusieurs résolutions. SPADE est démontrée comme atteignant des performances de pointe dans la détection et la localisation d’anomalies non supervisées, tout en nécessitant pratiquement aucun temps d’entraînement.