Diese Arbeit befasst sich mit Weakly Supervised Anomaly Detection, bei der ein Predictor nicht nur aus normalen Beispielen, sondern auch aus einer geringen Anzahl an während des Trainings verfügbaren gelabelten Anomalien lernen darf. Insbesondere betrachten wir die Lokalisierung anormaler Aktivitäten innerhalb eines Videostreams – ein äußerst herausfordernder Ansatz, da die Trainingsbeispiele lediglich über videolevel-Annotationen verfügen (und keine frame-level-Annotationen). Mehrere neuere Arbeiten haben verschiedene Regularisierungsterme vorgeschlagen, um dieses Problem anzugehen, beispielsweise durch die Einhaltung von Sparsitäts- und Glättungsbedingungen für die schwach gelernten frame-level-Anomalie-Scores. In dieser Arbeit lassen wir uns von jüngsten Fortschritten im Bereich des self-supervised Learning inspirieren und verlangen vom Modell, für verschiedene Augmentierungen derselben Videosequenz identische Scores zu liefern. Wir zeigen, dass die Durchsetzung einer solchen Ausrichtung die Leistung des Modells auf XD-Violence verbessert.