La detección de anomalías en videos es un problema desafiante en visión por computadora. Los métodos de detección de anomalías en videos actuales se centran principalmente en el diseño de arquitecturas de redes neuronales profundas para mejorar el rendimiento. A diferencia de la tendencia principal de la investigación, este documento se centra en combinar el aprendizaje en conjunto y las redes neuronales profundas, proponiendo un método basado en redes generativas antagónicas en conjunto (Generative Adversarial Networks, GAN). En el método propuesto, un conjunto de generadores y un conjunto de discriminadores se entrenan juntos, por lo que cada generador puede recibir retroalimentación de varios discriminadores, y viceversa. En comparación con una sola GAN, la GAN en conjunto puede modelar mejor la distribución de datos normales, permitiendo una mejor detección de anomalías. El desempeño del método propuesto fue probado en dos conjuntos de datos públicos. Los resultados muestran que el aprendizaje en conjunto mejora significativamente el rendimiento de un solo modelo de detección, superando a los métodos recientes en un 0,4% y 0,3% respectivamente en AUC a nivel de fotogramas en los dos conjuntos de datos.

videovigilancia; eventos anómalos; aprendizaje profundo; aprendizaje en conjunto; redes generativas antagónicas