اكتشاف الأحداث غير الطبيعية في الفيديو هو مشكلة بصرية صعبة. تُصَيغ معظم الطرق الحالية اكتشاف الأحداث غير الطبيعية كمهمة للكشف عن القيم الشاذة، بسبب ندرة البيانات الغير طبيعية أثناء التدريب. نتيجة لنقص المعلومات المسبقة حول الأحداث غير الطبيعية، لا تكون هذه الطرق مجهزة بشكل كامل لتمييز الأحداث الطبيعية عن الغير طبيعية. في هذا العمل، نقوم بتصياغ اكتشاف الأحداث غير الطبيعية كمشكلة تصنيف ثنائية من نوع واحد مقابل البقية (one-versus-rest). إسهامنا ذو جانبين. أولاً، نقدم إطارًا للتعلم غير المشرف للخصائص يعتمد على الترميز المركزي للأجسام باستخدام الترميزات الذاتية التلافيفية لترميز المعلومات الحركية والشكلية. ثانياً، نقترح نهجًا للتصنيف المشرف يستند إلى تجميع العينات التدريبية في مجموعات طبيعية. يتم بعد ذلك استخدام تصنيف غير طبيعي من نوع واحد مقابل البقية لفصل كل مجموعة طبيعية عن الأخرى. لأغراض تدريب المصنف، تعمل المجموعات الأخرى كقيم شاذة وهمية. أثناء الاستدلال، يتم تصنيف الجسم كحدث غير طبيعي إذا كان أعلى درجة تصنيف تم تعيينها بواسطة مصنفات واحد مقابل البقية سالبة.أجريت تجارب شاملة على أربع مقاييس مرجعية: Avenue وShanghaiTech وUCSD وUMN. توفر طريقتنا نتائج أفضل على جميع المجموعات الأربع من البيانات. على مجموعة بيانات ShanghaiTech ذات الحجم الكبير، توفر طريقتنا زيادة مطلقة بنسبة 8.4% من حيث دقة مستوى الإطار (frame-level AUC) مقارنة بالطريقة الأكثر تقدمًا [Sultani et al., CVPR 2018].