4つのステップで異常検出を行う．1：人物検出．2：特徴抽出（tとt-3のフレーム勾配，tのフレーム画像，tとt+3のフレーム勾配をそれぞれ別のAutoencoderで特徴抽出してconcat）．3：k-meansでclustering（Kクラスタ）．4：K個のSVMを学習（クラスkかその他か？）

Avenue，Shanghai Tech，UCSD，UMN（異常イベント検出データセット）においてSoTA．

精度こそ良いものの，ステップごとに別の学習が必要であり，全体のArchitectureとしては煩雑になっている．