La détection d'anomalies dans les flux vidéo est un sujet très actif dans la communauté de vision par ordinateur et notamment dans la tâche d'automatisation du traitement de données de vidéo-surveillance. Ce papier propose d'adapter une architecture neuronale fondée sur l'utilisation d'un réseau totalement convolutif utilisant une approche antagoniste générative (réseau GAN) capable d'apprendre la corrélation entre l'apparence des objets présents dans une scène et leurs mouvements apparents et de reconstruire le contenu des images d'une situation qualifiée de normale. L'objectif final est de déterminer la fonction de décision capable d'identifier des situations anormales à partir d'une reconstruction imparfaite d'une situation inconnue. Nous étudions cette problématique dans le contexte de l'automatisation d'un véhicule ferroviaire (projet Train Autonome) pour lequel la fermeture des portes doit se faire en sécurité sans l'intervention d'aucun agent. Cet article propose un ensemble de modifications de l'apprentissage de l'architecture afin de l'adapter aux différents scénarios d'anomalies de notre cas d'application, sensiblement différents de ceux rencontrés dans les datasets classiques de la littérature, et définit les bonnes pratiques pour ce type d'applications. L'architecture est évaluée sur notre dataset nommé « FRailTRI20_DOD » qui met en scène plusieurs exemples d'événements anormaux joués sur la réplique d'une porte de train en laboratoire.