La détection d’anomalies dans les vidéos de surveillance connaît actuellement un intérêt croissant. Bien que les méthodes de pointe sur les jeux de données publics aient démontré des performances compétitives, elles nécessitent une quantité massive de données d’entraînement. De plus, elles ne disposent pas d’une approche claire pour mettre à jour de manière continue le modèle entraîné lorsqu’une nouvelle donnée devient disponible. En outre, la prise de décision en temps réel constitue un facteur crucial mais largement négligé dans ce domaine. Motivés par ces lacunes de recherche, nous proposons une méthode de détection d’anomalies en ligne pour les vidéos de surveillance basée sur l’apprentissage par transfert et l’apprentissage à tout nombre (any-shot learning), réduisant ainsi de manière significative la complexité d’entraînement et offrant un mécanisme capable de détecter des anomalies à partir d’un nombre très réduit d’exemples nominaux étiquetés. L’algorithme proposé exploite la puissance de extraction de caractéristiques des modèles basés sur les réseaux de neurones pour l’apprentissage par transfert, ainsi que la capacité d’apprentissage à tout nombre des méthodes statistiques de détection.