La détection d'anomalies vidéo sous étiquetage faible est formulée comme un problème typique d'apprentissage à multiples instances dans les travaux précédents. Dans cet article, nous proposons une nouvelle perspective, à savoir une tâche d'apprentissage supervisé sous étiquettes bruyantes. Selon cette approche, dès que l'on élimine le bruit des étiquettes, il est possible d'appliquer directement des classifieurs d'actions entièrement supervisés à la détection d'anomalies faiblement supervisée, et de tirer pleinement parti de ces classifieurs bien développés. Pour ce faire, nous avons conçu un réseau de convolution graphique pour corriger les étiquettes bruyantes. En se basant sur la similarité des caractéristiques et la cohérence temporelle, notre réseau propage les signaux de supervision des segments à haute confiance vers ceux à faible confiance. De cette manière, le réseau est capable de fournir une supervision nettoyée pour les classifieurs d'actions. Pendant la phase de test, il suffit d'obtenir des prédictions segment par segment du classifieur d'actions sans aucun traitement postérieur supplémentaire. Des expériences exhaustives menées sur 3 ensembles de données de différentes tailles avec 2 types de classifieurs d'actions ont démontré l'efficacité de notre méthode. Notamment, nous avons obtenu un score AUC au niveau des images de 82,12% sur UCF-Crime.