La détection des entrées hors distribution (OOD) constitue un défi central pour le déploiement sécurisé des modèles d’apprentissage automatique dans le monde réel. Les solutions existantes sont principalement fondées sur de petits jeux de données à faible résolution et à très peu d’étiquettes de classe (par exemple, CIFAR). En conséquence, la détection OOD pour les tâches de classification d’images à grande échelle reste largement inexplorée. Dans cet article, nous comblons cette lacune critique en proposant un cadre de détection OOD basé sur des groupes, accompagné d’une nouvelle fonction de notation OOD appelée MOS. Notre idée centrale consiste à décomposer l’espace sémantique élevé en groupes plus petits regroupant des concepts similaires, ce qui permet de simplifier les frontières de décision entre les données in-distribution et hors distribution, favorisant ainsi une détection OOD efficace. Notre méthode se généralise de manière significativement plus efficace dans des espaces de classes à haute dimension par rapport aux approches antérieures. Nous évaluons des modèles entraînés sur ImageNet sur quatre jeux de données OOD soigneusement sélectionnés, couvrant une grande diversité sémantique. MOS atteint des performances de pointe, réduisant de 14,33 % la moyenne du taux de faux positifs à 95 % de vrais positifs (FPR95), tout en offrant un accélération de 6 fois en phase d’inférence par rapport à la méthode précédente la plus performante.