A detecção de anomalias em vídeos é um problema desafiador em visão computacional. Os métodos de ponta atuais para detecção de anomalias em vídeos concentram-se principalmente no projeto de arquiteturas de redes neurais profundas para melhorar o desempenho. Diferentemente da principal tendência de pesquisa, este artigo enfoca a combinação de aprendizado em conjunto e redes neurais profundas, propondo um método baseado em um conjunto de Redes Gerativas Adversariais (Generative Adversarial Networks, GAN). No método proposto, um conjunto de geradores e um conjunto de discriminadores são treinados conjuntamente, de modo que cada gerador pode receber feedback de múltiplos discriminadores, e vice-versa. Em comparação com um GAN único, o GAN em conjunto pode modelar melhor a distribuição dos dados normais, permitindo uma melhor detecção de anomalias. O desempenho do método proposto foi testado em dois conjuntos de dados públicos. Os resultados mostram que o aprendizado em conjunto melhora significativamente o desempenho de um modelo de detecção único, superando os métodos recentes em 0,4% e 0,3% na AUC a nível de quadros nos dois conjuntos de dados, respectivamente.

videomonitoramento; eventos anômalos; aprendizado profundo; aprendizado em conjunto; redes gerativas adversariais