Identifier des objets inattendus sur les routes dans le cadre de la segmentation sémantique (par exemple, détecter des chiens sur la route) est crucial dans les applications critiques pour la sécurité. Les approches existantes recourent à des images d’objets inattendus provenant de jeux de données externes ou nécessitent un entraînement supplémentaire (par exemple, un réentraînement des réseaux de segmentation ou l’entraînement d’un réseau additionnel), ce qui implique une charge de travail importante ou des temps d’inférence longs. Une alternative possible consiste à utiliser les scores de prédiction d’un réseau pré-entraîné, tels que les max logits (c’est-à-dire les valeurs maximales parmi les classes avant la dernière couche softmax), pour détecter ces objets. Toutefois, la distribution des max logits pour chaque classe prédite est sensiblement différente, ce qui nuit à la performance de détection des objets inattendus dans les scènes urbaines. Pour remédier à ce problème, nous proposons une approche simple mais efficace qui standardise les max logits afin d’aligner les différentes distributions et de refléter les significations relatives des max logits au sein de chaque classe prédite. En outre, nous considérons les régions locales à partir de deux perspectives distinctes, motivées par l’intuition selon laquelle des pixels voisins partagent des informations sémantiques similaires. Contrairement aux approches antérieures, notre méthode n’utilise ni de jeux de données externes ni d’entraînement supplémentaire, ce qui la rend directement applicable à tout modèle de segmentation pré-entraîné existant. Cette approche simple atteint une nouvelle performance de pointe sur le classement public Fishyscapes Lost & Found, avec une marge significative. Notre code est disponible publiquement à l’adresse suivante : \href{https://github.com/shjung13/Standardized-max-logits}{lien}.