Die Anomalieerkennung in Videos ist ein herausforderndes Computer-Vision-Problem. Bestehende fortschrittliche Methoden zur Anomalieerkennung im Video konzentrieren sich hauptsächlich auf die Architekturgestaltung tiefer neuronaler Netze, um Leistungsverbesserungen zu erzielen. Im Gegensatz zum Hauptforschungstrend liegt der Fokus dieser Arbeit auf der Kombination von Ensemble-Learning und tiefen neuronalen Netzen, wobei eine Methode auf Basis eines Ensemble-Generativen Adversarial Networks (Generative Adversarial Networks, GAN) vorgeschlagen wird. In der vorgeschlagenen Methode werden ein Satz von Generatoren und ein Satz von Diskriminatoren gemeinsam trainiert, so dass jeder Generator Feedback von mehreren Diskriminatoren erhalten kann und umgekehrt. Im Vergleich zu einem einzelnen GAN kann ein Ensemble-GAN die Verteilung normaler Daten besser modellieren und somit Anomalien besser erkennen. Die Leistungsfähigkeit der vorgeschlagenen Methode wurde auf zwei öffentlichen Datensätzen getestet. Die Ergebnisse zeigen, dass Ensemble-Learning die Leistung eines einzelnen Erkennungsmodells signifikant verbessert und die aktuellen neuesten Methoden bei den beiden Datensätzen um jeweils 0,4 % bzw. 0,3 % Frame-Level-AUC übertrifft.

Videoüberwachung; anomale Ereignisse; Deep Learning; Ensemble-Learning; Generative Adversarial Networks