近年、多くの研究がこれまでに見られなかったビデオ内の異常を検出する問題に取り組んでいます。しかし、大半の研究は監視カメラから撮影されたセキュリティビデオにおける異常フレームの検出に焦点を当てています。一方で、機械的な異常行動を示すビデオにおける異常検出（Anomaly Detection, AD）の課題はほとんど見過ごされてきました。このようなビデオでの異常検出は学術的にも実践的にも興味深いものであり、製造業、保守作業、日常生活など多くの場面で自動的な故障検出を可能にする可能性があります。異なるアプローチによるこのような異常の検出能力を評価するために、私たちは2つの単純なベースラインアプローチを評価します。(i) 時間プーリング画像AD技術。(ii) ビデオ分類のために事前学習された特徴量を使用したビデオの密度推定。これらの手法の開発には、異なるアプローチを評価するための新しいベンチマークが必要です。私たちはPhysical Anomalous Trajectory or Motion (PHANTOM) データセットを紹介します。このデータセットには6つの異なるビデオクラスが含まれています。各クラスには正常なビデオと異常なビデオが存在し、現象の違い、正常クラスの変動性、およびビデオ内の異常の種類によって区別されます。また、私たちはさらに難易度が高いベンチマークも提案しています。このベンチマークでは、非常に変動性のあるシーンにおいて異常活動を見つけることが求められます。