La détection d’anomalies à granularité fine est récemment dominée par les approches basées sur la segmentation. Ces approches classent d’abord chaque élément de l’échantillon (par exemple, un patch d’image) comme normal ou anormal, puis classent l’échantillon entier comme anormal s’il contient au moins un élément anormal. Toutefois, de telles méthodes ne s’appliquent pas aux scénarios où les anomalies se manifestent par une combinaison inhabituelle d’éléments normaux. Dans cet article, nous surmontons cette limitation en proposant des caractéristiques d’ensemble qui modélisent chaque échantillon par la distribution de ses éléments. Nous calculons le score d’anomalie de chaque échantillon à l’aide d’une méthode simple d’estimation de densité. Notre approche, facile à mettre en œuvre, surpasser les états de l’art dans la détection d’anomalies logiques au niveau des images (+3,4 %) et dans la détection d’anomalies temporelles au niveau des séries temporelles (+2,4 %).