يُصاغ كشف الأحداث غير الطبيعية في الفيديو عادةً كمهمة تصنيف من فئة واحدة، حيث تحتوي مقاطع الفيديو التدريبية على أحداث طبيعية فقط، بينما تضم مقاطع الفيديو الاختبارية كلاً من الأحداث الطبيعية وغير الطبيعية. في هذه الحالة، يُعد كشف الشذوذ مشكلة مفتوحة المجموعة (open-set). ومع ذلك، تُقارن بعض الدراسات كشف الشذوذ بالتعرف على الحركات، وهي حالة مغلقة (closed-set) لا تُختبر فيها قدرة الأنظمة على اكتشاف أنواع جديدة من الشذوذ. ولحل هذه المشكلة، نقترح UBnormal، وهو معيار جديد مُراقب مفتوح المجموعة يتكون من مشاهد افتراضية متعددة للكشف عن الأحداث غير الطبيعية في الفيديو. على عكس المجموعات الحالية، نُدخل أحداثًا غير طبيعية مُعلّمة على مستوى البكسل أثناء التدريب، وهو ما يمكّن لأول مرة من استخدام أساليب التعلم المراقب الكامل (fully-supervised learning) في كشف الأحداث غير الطبيعية. ولضمان الحفاظ على الصيغة التقليدية للمشكلة المفتوحة المجموعة، نحرص على تضمين مجموعات منفصلة من أنواع الشذوذ في مجموعات التدريب والاختبار. إلى حد معرفتنا، يُعد UBnormal أول معيار للكشف عن الأحداث غير الطبيعية في الفيديو يتيح مقارنة عادلة مباشرة بين النماذج المفتوحة المجموعة ذات الفئة الواحدة والنماذج المغلقة المراقبة، كما يُظهر ذلك في تجاربنا. علاوةً على ذلك، نقدم أدلة تجريبية تُظهر أن UBnormal يمكنه تحسين أداء إطار عمل متطور حديثًا للكشف عن الشذوذ على مجموعتي بيانات بارزتين: Avenue وShanghaiTech. يُتاح هذا المعيار مجانًا عبر الرابط: https://github.com/lilygeorgescu/UBnormal.