تمكّن مقاطع الفيديو المراقبة من التقاط مجموعة متنوعة من الحالات غير الطبيعية الواقعية. في هذه الورقة، نقترح تعلّم الكشف عن الحالات غير الطبيعية من خلال استغلال مقاطع الفيديو الطبيعية والغير طبيعية معًا. ولتجنب عملية التصنيف اليدوي للقطع غير الطبيعية أو المقاطع في مقاطع التدريب، وهي عملية تستهلك وقتًا كبيرًا، نقترح تعلّم الكشف عن الحالات غير الطبيعية من خلال إطار عمل التصنيف المتعدد المستويات العميق، باستخدام مقاطع تدريب مُصنّفة بشكل ضعيف، أي أن التصنيفات التدريبية (غير طبيعية أو طبيعية) تكون على مستوى الفيديو وليس على مستوى القطعة. في نهجنا، نعتبر مقاطع الفيديو الطبيعية وغير الطبيعية كـ "أكياس" (bags)، ونعتبر مقاطع الفيديو الفرعية كـ "أمثلة" (instances) ضمن نموذج التعلم المتعدد المستويات (Multiple Instance Learning - MIL)، ونُعلّم تلقائيًا نموذج تصنيف عميق للحالات غير الطبيعية يُعطي درجات عالية للكشف عن الحالات غير الطبيعية في المقاطع الفرعية. علاوةً على ذلك، نُدخل قيودًا على الدالة الخسارة للتصنيف، تشمل الـ "ندرة" (sparsity) والاتساق الزمني (temporal smoothness)، لتحسين دقة تحديد موقع الحالة غير الطبيعية أثناء التدريب. كما نقدّم مجموعة بيانات جديدة كبيرة الحجم، وهي الأولى من نوعها، مكوّنة من 128 ساعة من مقاطع الفيديو، وتشمل 1900 مقطعًا طويلًا وغير مُختزل في العالم الحقيقي، مع 13 حالة غير طبيعية واقعية مثل الشجار، الحوادث المرورية، السرقة، السطو، وغيرها، إلى جانب أنشطة طبيعية. يمكن استخدام هذه المجموعة في مهامتين: الأولى، الكشف العام عن الحالات غير الطبيعية، حيث تُجمَّع جميع الحالات غير الطبيعية في مجموعة واحدة، وجميع الأنشطة الطبيعية في مجموعة أخرى. الثانية، تمييز كل نشاط غير طبيعي من بين الـ 13 نشاطًا. تُظهر النتائج التجريبية أن نهجنا القائم على التعلم المتعدد المستويات يحقق تحسينًا كبيرًا في أداء الكشف عن الحالات غير الطبيعية مقارنةً بأفضل الطرق الحالية. كما نقدّم نتائج عدة نماذج أساسية قائمة على التعلم العميق الحديث في مهام تمييز الأنشطة غير الطبيعية. وتبين النتائج منخفضة الأداء في التمييز أن هذه المجموعة بيانات تُعدّ تحديًا كبيرًا، وتفتح فرصًا جديدة للعمل المستقبلي. يمكن الوصول إلى المجموعة عبر الرابط التالي: https://webpages.uncc.edu/cchen62/dataset.html