安防作为近年最热门的计算机视觉研究落地方向，与视频分析研究有着很紧密的关系。在真实的监控视频中，一个常见的需求就是要自动识别视频流中的异常事件，也就是异常事件检测任务（Anomaly detection)。
这个任务有许多的难点，比如：
1.异常事件发生的频率很低，导致数据的收集和标注比较困难；
2.异常事件的稀少导致训练中的正样本远少于负样本；
3.在监控场景中，不管是通常（normaly）还是异常（anomaly）事件都是很多样且复杂的，即类别内的多样性很高，variance 很严重。
最近 UCF 的 CV 研究中心就在 CVPR18 上发表了一篇关于监控视频异常事件检测的论文，提出了一种基于深度多实例排序的弱监督算法框架，同时提出了一个新的大规模异常事件检测数据集。这篇笔记主要对这篇文章进行介绍，也算是帮助自己理解，若有错误烦请指正。
本文提出的异常检测算法
很多先前的方法都先学习一个通常的模式，并假定任何违背这个通常模式的 模式应该是异常的。但事实上，一个方法很难也几乎不可能去定义一个所谓的通常模式，因为通常模式里面可能包含太多不同的事件和行为了。同样，也很难去定义异常事件，因为异常事件同样也可能包含太多类型的情况了。所以，这篇文章主要提出了两点 motivations。
1.异常事件检测任务应该要在弱监督框架下进行学习。此处弱监督指在训练时，只知道一段视频中有或没有异常事件，而异常事件的种类以及具体的发生时间是未知的。
2.异常事件检测任务应该采取两阶段的框架，即不管异常事件的种类，生成异常事件的 proposal，之后再对 proposal 中包含的异常事件进行分类。这样有助于提高异常事件检测的召回率（应该是因为这样可以找到一些不在现有类别中的异常）。这样的框架和目标检测中的 RCNN 类方法十分相似。这篇文章则主要针对异常 proposal 阶段进行研究。
