Les variantes profondes de classification à une classe pour la détection d’anomalies apprennent une transformation qui concentre les échantillons normaux dans l’espace des caractéristiques, faisant ainsi apparaître les anomalies comme des points éloignés. Étant donné que cette transformation est fortement non linéaire, la tâche d’interprétation s’avère particulièrement difficile. Dans cet article, nous proposons une méthode explicative de classification à une classe profonde, appelée Description de Données Entièrement Convolutionnelle (FCDD), dans laquelle les échantillons transformés constituent eux-mêmes une carte d’explication, c’est-à-dire une cartographie des zones significatives. FCDD atteint des performances compétitives en détection d’anomalies et fournit des explications raisonnables sur des benchmarks courants tels que CIFAR-10 et ImageNet. Sur MVTec-AD, un jeu de données récent dédié à la fabrication et offrant des cartes d’anomalies de vérité terrain, FCDD établit un nouveau record d’état de l’art dans le cadre non supervisé. Notre méthode peut intégrer des cartes d’anomalies de vérité terrain pendant l’entraînement, et l’utilisation de seulement quelques-unes d’entre elles (~5) suffit à améliorer significativement les performances. Enfin, en exploitant les explications fournies par FCDD, nous mettons en évidence la vulnérabilité des modèles de classification à une classe profonds face à des caractéristiques d’image artificielles, telles que les filigranes d’image.