動画における異常イベントの検出は、一般的に「1クラス分類（one-class classification）」という枠組みで扱われる。この場合、学習用の動画には正常なイベントのみが含まれるが、テスト用の動画には正常なイベントと異常なイベントの両方が含まれる。このような状況では、異常検出は「オープンセット問題（open-set problem）」として扱われる。しかしながら、一部の研究では異常検出を行動認識（action recognition）に類似させている。これは「クローズドセット（closed-set）」の設定であり、システムが新たな異常タイプを検出する能力を適切に評価することができない。このような課題に対応するため、本研究では、複数の仮想シーンを含む新しい教師ありオープンセットベンチマーク「UBnormal」を提案する。既存のデータセットとは異なり、本研究では学習段階でピクセル単位で異常イベントがアノテーションされたデータを導入した。これは、初めて異常イベント検出に完全な教師あり学習（fully-supervised learning）手法を適用可能にするものである。また、典型的なオープンセット設定を維持するため、学習用とテスト用の動画集合に含まれる異常タイプが互いに排他的（disjoint）になるように配慮している。現時点で、UBnormalは、1クラスオープンセットモデルと教師ありクローズドセットモデルの間で公平な直接比較を可能にする初めての動画異常検出ベンチマークである。実験結果から、UBnormalが、AvenueおよびShanghaiTechという2つの代表的なデータセット上で、最先端の異常検出フレームワークの性能向上を実証的に示している。本ベンチマークは、https://github.com/lilygeorgescu/UBnormal にて無料で公開されている。