Обнаружение аномалий в видео — это сложная задача компьютерного зрения. Современные методы обнаружения аномалий в видео преимущественно сосредоточены на разработке архитектур глубоких нейронных сетей для повышения производительности. В отличие от основных исследовательских направлений, в данной работе внимание уделяется сочетанию ансамблевого обучения и глубоких нейронных сетей, предлагается метод на основе ансамбля генеративных состязательных сетей (Generative Adversarial Networks, GAN). В предлагаемом методе набор генераторов и набор дискриминаторов обучаются совместно, так что каждый генератор получает обратную связь от нескольких дискриминаторов и наоборот. В сравнении с одиночной GAN, ансамблевая GAN лучше моделирует распределение нормальных данных, что позволяет эффективнее обнаруживать аномалии. Предложенный метод протестирован на двух публичных наборах данных. Результаты показывают, что ансамблевое обучение значительно улучшает производительность отдельной модели обнаружения, превосходя современные методы на 0.4% и 0.3% по уровню AUC на кадрах в двух наборах данных соответственно.

видео наблюдение; аномальные события; глубокое обучение; ансамблевое обучение; генеративные состязательные сети