(EN) The present invention proposes a method for detecting anomalous or out-of-distribution images in a machine learning system (1) comprising a pre-training network with a first encoder, and an anomaly detection network with a second encoder. The system is first pre-trained by training the pre-training network, and then subsequently fine-tuned by training the anomaly detection network. According to one example, during pre-training, only unlabelled training images are used, while during fine-tuning, a small fraction of labelled training images is used in addition to unlabelled training images. The method can be applied to both single and multi-domain image data.
(FR) La présente invention concerne un procédé de détection d'images anormales ou hors distribution dans un système (1) d'apprentissage automatique comportant un réseau de pré-entraînement doté d'un premier encodeur, et un réseau de détection d'anomalies doté d'un second encodeur. Le système est d'abord pré-entraîné en entraînant le réseau de pré-entraînement, puis fait l'objet d'un réglage fin en entraînant le réseau de détection d'anomalies. Selon un exemple, pendant le pré-entraînement, seules des images d'apprentissage non étiquetées sont utilisées, tandis que pendant le réglage fin, une faible fraction d'images d'apprentissage étiquetées est utilisée en plus des images d'apprentissage non étiquetées. Le procédé peut être appliqué aussi bien à des données d'images mono- que multi-domaine.
