実世界小売セキュリティにおけるポーズベース万引き検出のためのオフラインから周期的適応へ
小売店における盗難検知を、エッジデバイス向けのパースベースの教師なし異常検知フレームワークと定期的な学習手法で実現し、リアルデータセット「RetailS」を用いてその実用性を検証した研究。
キーポイント
定期的適応フレームワークの提案
ストリーミングされるラベルなしデータからエッジデバイスが適応できる「定期的適応フレームワーク」を提案し、低遅延でスケーラブルな異常検知を実現する。
大規模実世界データセット「RetailS」の公開
複数カメラ、複数日にわたる小売店からの生データを用いた大規模な盗難検知用データセット「RetailS」を提供し、再現性と実世界での偏りのない行動捕捉を可能にする。
エッジ環境での実証と高性能
エッジグレードのハードウェア上で各学習更新を30分以内に完了させ、オフラインベースラインを上回るAUC-ROCおよびAUC-PRスコアを91.6%の評価で達成した。
プライバシーとリソース効率の両立
継続的な人間モニタリングに依存せず、プライバシーを保持しつつリソース制約のあるIoT環境での運用を可能にする解決策を提供する。
影響分析・編集コメントを表示
影響分析
この研究は、小売セキュリティ分野における「プライバシー保護」と「エッジコンピューティングの制約」を同時に解決する実用的なアプローチを示している。特に、生データを用いた定期的な適応学習により、環境変化への追従性と検知精度の両立を実現した点は、スマート小売のIoT化において重要な指針となる。
編集コメント
エッジデバイスでのリアルタイム適応学習が実用レベルに達しつつあることを示す好例であり、プライバシー規制の厳しい地域での監視システム導入において参考になる技術的枠組みである。
arXiv:2603.04723v1 発表タイプ: 新規
アブストラクト: 万引きは小売業者にとって深刻化する運営上・経済上の課題であり、広範なビデオ監視にもかかわらず、発生件数は増加し、損失は拡大している。継続的な人間による監視は現実的ではなく、自動化され、プライバシーを保護し、リソースを考慮した検出ソリューションの開発が求められている。本論文では、万引き検出を姿勢ベースの教師なしビデオ異常検出問題として定式化し、現場でのモノのインターネット（IoT）導入に向けて設計された周期的適応フレームワークを提案する。本手法により、スマート小売環境のエッジデバイスは、ストリーミングされるラベルなしデータから適応学習することが可能となり、分散カメラネットワーク全体でのスケーラブルかつ低遅延な異常検出を実現する。再現性を確保するため、多日数・多カメラ条件下の小売店から収集した新規の大規模実世界万引きデータセット「RetailS」を導入する。これは、現実的なIoT環境における偏りのない万引き行動を捉えている。実運用を考慮し、データフィルタリングとトレーニングにおいては、F1スコアとH_PRSスコア（適合率、再現率、特異度の調和平均）の両方を用いて閾値を選択した。周期的適応実験では、本フレームワークは評価の91.6%において、AUC-ROCおよびAUC-PRの指標でオフラインベースラインを一貫して上回った。各トレーニング更新はエッジグレードハードウェア上で30分未満で完了し、IoTを活用したスマート小売導入における本ソリューションの実現可能性と信頼性を実証している。
原文を表示
arXiv:2603.04723v1 Announce Type: new
Abstract: Shoplifting is a growing operational and economic challenge for retailers, with incidents rising and losses increasing despite extensive video surveillance. Continuous human monitoring is infeasible, motivating automated, privacy-preserving, and resource-aware detection solutions. In this paper, we cast shoplifting detection as a pose-based, unsupervised video anomaly detection problem and introduce a periodic adaptation framework designed for on-site Internet of Things (IoT) deployment. Our approach enables edge devices in smart retail environments to adapt from streaming, unlabeled data, supporting scalable and low-latency anomaly detection across distributed camera networks. To support reproducibility, we introduce RetailS, a new large-scale real-world shoplifting dataset collected from a retail store under multi-day, multi-camera conditions, capturing unbiased shoplifting behavior in realistic IoT settings. For deployable operation, thresholds are selected using both F1 and H_PRS scores, the harmonic mean of precision, recall, and specificity, during data filtering and training. In periodic adaptation experiments, our framework consistently outperformed offline baselines on AUC-ROC and AUC-PR in 91.6% of evaluations, with each training update completing in under 30 minutes on edge-grade hardware, demonstrating the feasibility and reliability of our solution for IoT-enabled smart retail deployment.
関連記事
今日のまとめ
AI日報で今日の重要ニュースをまとめ読み