Die Erkennung von abnormalen Ereignissen in Videos ist eine herausfordernde Aufgabe, die teilweise auf die Vielzahl möglicher abnormer Muster und den Mangel an entsprechenden Annotationen zurückzuführen ist. In diesem Paper stellen wir neue eingeschränkte Vorläuferaufgaben vor, um normale Muster auf Objektebene zu lernen. Unser Ansatz besteht darin, eine Abbildung zwischen verkleinerten visuellen Abfragen und ihren entsprechenden normalen Erscheinungs- und Bewegungseigenschaften in der ursprünglichen Auflösung zu erlernen. Die vorgeschlagenen Aufgaben sind anspruchsvoller als die weit verbreiteten Aufgaben der Rekonstruktion und der Vorhersage zukünftiger Frames, da unser Modell sowohl räumliche als auch zeitliche Merkmale gemeinsam vorhersagt, anstatt sie zu rekonstruieren. Wir vermuten, dass strengere Vorläuferaufgaben eine bessere Lernleistung bezüglich normaler Muster ermöglichen. Experimente auf mehreren Benchmark-Datensätzen belegen die Wirksamkeit unseres Ansatzes zur Lokalisierung und Verfolgung von Anomalien, da er entweder die derzeit beste Leistung erzielt oder die aktuelle State-of-the-Art auf spatio-temporalen Evaluationsmetriken erreicht.