私たちは異常検出の問題に取り組んでいます。これは、ビデオシーケンス内の異常なイベントを検出することを指します。畳み込みニューラルネットワーク（CNNs）に基づく異常検出方法は、通常、入力ビデオフレームの再構成などの代理タスクを活用し、訓練時に異常サンプルを見ることなく正常性を記述するモデルを学習し、テスト時には再構成誤差を使用して異常度を定量的に評価します。これらのアプローチの主な欠点は、正常パターンの多様性を明示的に考慮していないことと、CNNsの強力な表現能力が異常なビデオフレームも再構成できてしまうことです。この問題に対処するために、私たちは正常パターンの多様性を明示的に考慮しながらCNNsの表現能力を低下させる非監督学習アプローチを提案します。そのためには、正常データの代表的なパターンを記録する新しい更新スキームを持つメモリモジュールを使用することを提案します。さらに、メモリの学習のために新たな特徴量コンパクトさ損失と分離性損失も導入し、メモリ項目と正常データから深層学習された特徴量の識別力を向上させます。標準的なベンチマークでの実験結果は、私たちのアプローチが効果的かつ効率的であることを示しており、既存の最先端技術を超える性能を発揮しています。