La détection d’anomalies dans les vidéos de surveillance constitue une tâche difficile en raison de la diversité du contenu vidéo anormal et de sa durée variable. Dans cet article, nous considérons la détection d’anomalies vidéo comme un problème de régression par rapport aux scores d’anomalie des clips vidéo, sous une supervision faible. Ainsi, nous proposons un cadre de détection d’anomalies, appelé Anomaly Regression Net (AR-Net), qui n’exige que des étiquettes au niveau de la vidéo lors de l’étape d’entraînement. Par ailleurs, afin d’apprendre des caractéristiques discriminantes pour la détection d’anomalies, nous avons conçu une fonction de perte basée sur un apprentissage par instances multiples dynamique et une fonction de perte centrée pour le modèle AR-Net. La première vise à augmenter la distance inter-classes entre les instances anormales et normales, tandis que la seconde a pour objectif de réduire la distance intra-classes parmi les instances normales. Des expériences complètes ont été menées sur un benchmark exigeant : ShanghaiTech. Notre méthode atteint un nouveau record d’état de l’art pour la détection d’anomalies vidéo sur le jeu de données ShanghaiTech.