كشف التسلسلات غير الطبيعية في الفيديو يهدف إلى تحديد الأجزاء غير الطبيعية داخل الفيديو. وعادةً ما يتم تدريبه باستخدام علامات ضعيفة على مستوى الفيديو. تركز هذه الورقة على عاملين جوهريين يؤثران على أداء نماذج كشف التسلسلات غير الطبيعية. أولاً، نستكشف كيفية التقاط الاعتماديات الزمنية المحلية والعالمية بشكل أكثر فعالية. إن الهياكل السابقة فعّالة في التقاط إما المعلومات المحلية أو العالمية، ولكنها لا تُمكّن من التقاط كليهما معًا. ونقترح استخدام بنية مشابهة لـ U-Net لتمثيل هذين النوعين من الاعتماديات ضمن هيكل موحد، حيث يتعلم المشفر الاعتماديات العالمية بشكل هرمي فوق الاعتماديات المحلية؛ ثم يُعيد المشفر التغذية العكسية لهذه المعلومات العالمية إلى مستوى القطعة لغرض التصنيف. ثانيًا، يُعد التأقلم الزائد (overfitting) مشكلة غير بسيطة في كشف التسلسلات غير الطبيعية بسبب قلة بيانات التدريب. ونُقترح طريقة تُسمى الت régularization التباينية الضعيفة التدريب، التي تعتمد على نهج مبني على الميزات لتنظيم الشبكة. ويُسهم الت régularization التبايني في تعلم ميزات أكثر قابلية للتطبيق العام من خلال تعزيز الفصل بين الفئات (inter-class separability) وتكثيف الميزات داخل الفئة (intra-class compactness). وقد أظهرت التجارب الواسعة على مجموعة بيانات UCF-Crime أن منهجنا يتفوق على عدة طرق حديثة متقدمة.