La détection hors distribution (out-of-distribution detection) vise à identifier les nouveautés, c'est-à-dire des échantillons qui s'écartent de la norme. Cette tâche s'est avérée particulièrement difficile, surtout lorsque la distribution des données normales comprend plusieurs classes sémantiques (par exemple, plusieurs catégories d'objets). Pour surmonter ce défi, les approches actuelles nécessitent l'étiquetage manuel des images normales fournies lors de l'entraînement. Dans cette étude, nous abordons la détection de nouveauté multiclasse sans utiliser d'étiquettes de classe. Notre solution simple mais efficace se compose de deux étapes : nous découvrons d'abord des étiquettes de « pseudo-classes » en utilisant un regroupement non supervisé. Ensuite, en utilisant ces étiquettes de pseudo-classes, nous sommes en mesure d'appliquer des méthodes standards de détection hors distribution supervisée. Nous vérifions les performances de notre méthode par une comparaison favorable avec l'état de l'art et fournissons une analyse extensive ainsi que des ablations.