Die Videoanomalieerkennung (VAD) identifiziert verdächtige Ereignisse in Videos, was für die Verbrechensprävention und die Innensicherheit von entscheidender Bedeutung ist. In dieser Arbeit schlagen wir eine einfache, aber hochwirksame VAD-Methode vor, die auf attributbasierten Darstellungen basiert. Die Basisversion unserer Methode repräsentiert jedes Objekt durch dessen Geschwindigkeit und Haltung (pose) und berechnet Anomaliewerte mittels Dichteschätzung. Überraschenderweise reicht diese einfache Darstellung aus, um den aktuellen Stand der Technik in ShanghaiTech zu erreichen, dem am häufigsten verwendeten Datensatz für VAD. Die Kombination unserer attributbasierten Darstellungen mit einer vorgefertigten, vorab trainierten tiefen Darstellung erzielt den Stand der Technik mit einem AUROC von 99,1 %, 93,7 % und 85,9 % auf Ped2, Avenue und ShanghaiTech jeweils.