La détection des données hors distribution (OOD) constitue une tâche cruciale pour assurer la fiabilité et la sécurité des réseaux de neurones profonds dans des scénarios du monde réel. Contrairement à la plupart des méthodes précédentes, qui se concentrent sur la conception de scores OOD ou sur l’introduction d’exemples d’outliers diversifiés afin de re-entraîner le modèle, nous examinons les facteurs d’obstacle dans la détection OOD du point de vue de la typicité, en considérant la région à haute probabilité des caractéristiques du modèle profond comme l’ensemble typique des caractéristiques. Nous proposons de corriger les caractéristiques afin de les ramener à cet ensemble typique, puis de calculer le score OOD à partir des caractéristiques typiques, afin d’obtenir une estimation fiable de l’incertitude. Cette correction des caractéristiques peut être mise en œuvre comme un module « plug-and-play » compatible avec divers scores OOD. Nous évaluons l’efficacité de notre méthode sur des benchmarks couramment utilisés (CIFAR) ainsi que sur un benchmark plus exigeant à haute résolution et à grand espace de classes (ImageNet). Notamment, notre approche dépasse les méthodes de pointe de jusqu’à 5,11 % en moyenne en taux de faux positifs au seuil de 95 % (FPR95) sur le benchmark ImageNet.