La détection d’anomalies dans les vidéos est généralement considérée comme un problème de classification à une seule classe (OCC), en raison de la faible disponibilité d’exemples d’anomalies. En général, pour résoudre ce problème, un autoencodeur (AE) est entraîné à reconstruire les entrées à partir d’un ensemble d’apprentissage ne contenant que des données normales. Au moment du test, l’AE doit alors bien reconstruire les données normales tout en mal reconstruisant les données anormales. Toutefois, plusieurs études ont montré qu’avec un entraînement uniquement sur des données normales, les AE peuvent souvent commencer à reconstruire également les anomalies, ce qui compromet leur performance en détection d’anomalies. Pour atténuer ce problème, nous proposons une nouvelle méthodologie d’entraînement des AE, dont l’objectif est de reconstruire uniquement les données normales, indépendamment de l’entrée (qu’elle soit normale ou anormale). Étant donné qu’aucune véritable anomalie n’est disponible dans les scénarios OCC, l’entraînement est assisté par des pseudo-anomalies générées en manipulant les données normales afin de simuler une distribution hors norme. Nous proposons également deux méthodes pour générer ces pseudo-anomalies : une approche basée sur des patchs et une autre basée sur des trames sautées. Des expériences étendues sur trois jeux de données vidéo challengers pour la détection d’anomalies démontrent l’efficacité de notre méthode, qui améliore significativement les autoencodeurs classiques et atteint des performances de pointe.