安防作為近年最熱門的計算機視覺研究落地方向，與視頻分析研究有着很緊密的關系。在真實的監控視頻中，一個常見的需求就是要自動識別視頻流中的異常事件，也就是異常事件檢測任務（Anomaly detection)。
這個任務有許多的難點，比如：
1.異常事件發生的頻率很低，導致數據的收集和標注比較困難；
2.異常事件的稀少導致訓練中的正樣本遠少於負樣本；
3.在監控場景中，不管是通常（normaly）還是異常（anomaly）事件都是很多樣且復雜的，即類別內的多樣性很高，variance 很嚴重。
最近 UCF 的 CV 研究中心就在 CVPR18 上發表了一篇關於監控視頻異常事件檢測的論文，提出了一種基於深度多實例排序的弱監督算法框架，同時提出了一個新的大規模異常事件檢測數據集。這篇筆記主要對這篇文章進行介紹，也算是幫助自己理解，若有錯誤煩請指正。
本文提出的異常檢測算法
很多先前的方法都先學習一個通常的模式，並假定任何違背這個通常模式的 模式應該是異常的。但事實上，一個方法很難也幾乎不可能去定義一個所謂的通常模式，因為通常模式里面可能包含太多不同的事件和行為了。同樣，也很難去定義異常事件，因為異常事件同樣也可能包含太多類型的情況了。所以，這篇文章主要提出了兩點 motivations。
1.異常事件檢測任務應該要在弱監督框架下進行學習。此處弱監督指在訓練時，只知道一段視頻中有或沒有異常事件，而異常事件的種類以及具體的發生時間是未知的。
2.異常事件檢測任務應該采取兩階段的框架，即不管異常事件的種類，生成異常事件的 proposal，之后再對 proposal 中包含的異常事件進行分類。這樣有助於提高異常事件檢測的召回率（應該是因為這樣可以找到一些不在現有類別中的異常）。這樣的框架和目標檢測中的 RCNN 類方法十分相似。這篇文章則主要針對異常 proposal 階段進行研究。
參考文獻：
https://cloud.tencent.com/developer/article/1078692