Nous présentons un cadre en deux étapes pour la classification d’un seul type (one-class) profonde. Dans un premier temps, nous apprenons des représentations auto-supervisées à partir de données d’un seul type, puis nous construisons des classifieurs uniques sur ces représentations apprises. Ce cadre permet non seulement d’obtenir de meilleures représentations, mais aussi de concevoir des classifieurs uniques fidèles à la tâche cible. Nous soutenons que les classifieurs inspirés par une perspective statistique issue des modèles génératifs ou discriminatifs sont plus efficaces que les approches existantes, telles que le score de normalité fourni par un classifieur de substitution. Nous évaluons de manière exhaustive différentes algorithmes d’apprentissage de représentations auto-supervisées dans le cadre proposé pour la classification un-type. En outre, nous introduisons une nouvelle méthode d’apprentissage contrastif augmenté par distribution, qui étend les distributions d’entraînement via une augmentation de données afin de rompre l’uniformité des représentations contrastives. Dans nos expériences, nous démontrons des performances de pointe sur des benchmarks de classification un-type dans le domaine visuel, incluant la détection de nouveautés et d’anomalies. Enfin, nous fournissons des explications visuelles, confirmant que le processus de prise de décision des classifieurs un-type profonds est intuitif pour les humains. Le code est disponible à l’adresse suivante : https://github.com/google-research/deep_representation_one_class.