La détection d'anomalies dans les vidéos est un problème complexe de vision par ordinateur. Les méthodes de pointe existantes se concentrent principalement sur la conception d'architectures de réseaux neuronaux profonds pour améliorer les performances. Contrairement à la tendance principale de la recherche, cet article met l'accent sur la combinaison de l'apprentissage par ensemble et des réseaux neuronaux profonds, en proposant une méthode basée sur un ensemble de réseaux antagonistes génératifs (Generative Adversarial Networks, GAN). Dans la méthode proposée, un ensemble de générateurs et un ensemble de discriminateurs sont entraînés conjointement, de sorte que chaque générateur peut recevoir des retours de plusieurs discriminateurs, et vice versa. Comparé à un GAN unique, un GAN en ensemble modélise mieux la distribution des données normales, permettant une meilleure détection des anomalies. La performance de la méthode proposée a été testée sur deux ensembles de données publics. Les résultats montrent que l'apprentissage par ensemble améliore considérablement la performance d'un modèle de détection unique, dépassant respectivement les méthodes récentes de 0,4 % et 0,3 % en AUC au niveau des frames sur les deux ensembles de données.

vidéosurveillance; événements anormaux; apprentissage profond; apprentissage par ensemble; réseaux antagonistes génératifs