ビデオにおける異常事象検出は、挑戦的な視覚問題である。既存の大多数のアプローチでは、訓練時に異常データが少ないため、異常事象検出を外れ値検出タスクとして定式化している。異常事象に関する先行情報の不足により、これらの手法は正常と異常の事象を完全に区別する能力が十分でない。本研究では、異常事象検出を一対多の二値分類問題として定式化する。我々の貢献は二つある。第一に、物体中心の畳み込み自己符号器に基づく非監督特徴学習フレームワークを導入し、動きと外観情報を両方エンコードする。第二に、訓練サンプルを正常クラスタにクラスタリングする監督分類アプローチを提案する。その後、各正常クラスタを他のものから分離するために一対多の異常事象分類器を使用する。分類器の訓練のために、他のクラスタはダミー異常として機能する。推論時には、一対多分類器によって割り当てられた最高の分類スコアが負の場合、物体は異常とラベリングされる。包括的な実験がAvenue, ShanghaiTech, UCSD, UMNという4つのベンチマークで行われた。我々の手法はこれら4つのデータセットすべてにおいて優れた結果を提供した。大規模なShanghaiTechデータセットにおいては、フレームレベルでのAUC（Area Under the Curve）について最新手法[Sultani et al., CVPR 2018]に対して8.4%の絶対的な改善を達成した。