La détection d’événements anormaux dans les vidéos constitue un problème difficile, en partie en raison de la grande diversité des motifs anormaux et du manque d’étiquetages correspondants. Dans cet article, nous proposons de nouvelles tâches prétexte contraintes afin d’apprendre des modèles de normalité au niveau des objets. Notre approche consiste à apprendre une application entre des requêtes visuelles réduites en résolution et leurs caractéristiques normales d’apparence et de mouvement au niveau original. Ces tâches proposées sont plus exigeantes que les tâches de reconstruction ou de prédiction de trames futures, largement utilisées dans la littérature, car notre modèle apprend à prédire conjointement des caractéristiques spatiales et temporelles, plutôt que de les reconstruire. Nous pensons que des tâches prétexte plus contraintes favorisent une meilleure apprentissage des motifs de normalité. Des expériences menées sur plusieurs jeux de données de référence démontrent l’efficacité de notre approche pour localiser et suivre les anomalies, puisqu’elle obtient des résultats supérieurs ou équivalents à l’état de l’art sur les métriques spatio-temporelles.