Récemment, il a été démontré que le déploiement d'une auto-supervision appropriée constitue une voie prometteuse pour améliorer les performances de l'apprentissage supervisé. Toutefois, les bénéfices de l'auto-supervision ne sont pas pleinement exploités, car les tâches prétextes précédemment proposées sont spécifiquement conçues pour l'apprentissage non supervisé des représentations. À cet effet, nous introduisons tout d'abord trois propriétés souhaitables pour de telles tâches auxiliaires, afin d'assister l'objectif supervisé. Premièrement, ces tâches doivent guider le modèle vers l'apprentissage de caractéristiques riches. Deuxièmement, les transformations impliquées dans l'auto-supervision ne doivent pas modifier de manière significative la distribution d'apprentissage. Troisièmement, les tâches doivent être légères et génériques afin d’assurer une grande applicabilité aux méthodes existantes. Par la suite, pour illustrer comment les tâches prétextes existantes peuvent satisfaire ces critères et être adaptées à l'apprentissage supervisé, nous proposons une tâche d'auto-supervision auxiliaire simple, appelée prédiction de rotation localisable (LoRot). Nos expérimentations approfondies valident les avantages de LoRot en tant que tâche prétexte spécifiquement conçue pour l'apprentissage supervisé, en termes de robustesse et de capacité de généralisation. Notre code est disponible à l'adresse suivante : https://github.com/wjun0830/Localizable-Rotation.