In this article, we propose a novel method to train a memory-augmented autoencoder in supervised mode by generating pseudo abnormal videos based on key frame selection techniques. Most video anomaly detection methods employ a machine learning model to learn patterns of normal videos. Any video where the patterns significantly deviate from the learnt patterns is considered an anomaly. However, developing an effective machine learning model for video anomaly detection is a challenging task due to the deficiency of anomalies. Specifically, abnormal samples are often much rarer and harder to collect than normal samples. To address this problem, we propose a novel approach using key frame selection techniques to generate pseudo anomalies. The generated pseudo anomalies are then combined with normal data to create the augmented dataset. The memory-augmented autoencoder is then trained on the augmented datasets. The experimental results show that the AUC scores of the proposed solution are higher than those of the base network architecture from 0.20% to 1.31% on three well-known datasets for video anomaly detection.Trong bài báo này, chúng tôi đề xuất một phương pháp mới để huấn luyện một bộ mã hóa tự động được tăng cường bộ nhớ theo chế độ được giám sát bằng cách sinh các video bất thường giả dựa trên các kỹ thuật lựa chọn khung hình chính. Hầu hết các phương pháp phát hiện bất thường trong video sử dụng mô hình học máy để học các mẫu của các video bình thường. Bất kỳ video nào có các mẫu lệch đáng kể so với các mẫu đã học được coi là bất thường. Tuy nhiên, việc phát triển một mô hình học máy hiệu quả cho phát hiện bất thường trong video là một nhiệm vụ thách thức do sự thiếu hụt các bất thường. Cụ thể, các mẫu bất thường thường hiếm hơn nhiều và khó thu thập hơn so với các mẫu bình thường. Để giải quyết vấn đề này, trong bài báo này, chúng tôi đề xuất một phương pháp mới sử dụng kỹ thuật lựa chọn khung hình chính để tạo ra các giả bất thường. Các giả bất thường được tạo ra sau đó được kết hợp với dữ liệu bình thường để tạo ra tập dữ liệu được tăng cường. Sau đó, bộ mã hóa tự động được tăng cường bộ nhớ được huấn luyện trên các tập dữ liệu được tăng cường. Kết quả thử nghiệm cho thấy rằng các điểm số AUC của giải pháp đề xuất cao hơn các điểm số AUC của kiến trúc mạng cơ sở từ 0.20% đến 1.31% trên cả ba tập cơ sở dữ liệu được biết đến rộng rãi cho phát hiện bất thường trong video.