From Offline to Periodic Adaptation for Pose-Based Shoplifting Detection in Real-world Retail Security

Created by

Haebom

저자

Shanle Yao, Narges Rashvand, Armin Danesh Pazho, Hamed Tabkhi

💡 개요

본 논문은 소매점의 증가하는 절도 문제에 대응하기 위해, 자세 기반의 비지도 영상 이상 탐지 기법을 제안합니다. 특히, 실제 소매점 환경의 엣지 디바이스에서 주기적으로 모델을 적응시키는 프레임워크를 개발하여, 확장 가능하고 저지연의 이상 탐지를 지원합니다. 이를 위해 대규모 실제 절도 데이터셋인 RetailS를 구축하고, 엣지 디바이스에서 30분 이내에 학습 가능한 효율성을 입증했습니다.

🔑 시사점 및 한계

•

엣지 컴퓨팅 환경에서 주기적으로 모델을 적응시켜 실시간 절도 탐지의 효율성과 확장성을 높일 수 있습니다.

•

실제 소매점 환경을 반영한 대규모 데이터셋(RetailS)을 공개하여 관련 연구의 재현성과 발전에 기여합니다.

•

제안된 프레임워크는 엣지 디바이스의 제한된 자원에서도 실용적인 성능을 보이며, 온프레미스(on-premise) IoT 배포에 대한 가능성을 보여줍니다.

•

엣지 디바이스에서의 주기적 학습 시간, 다양한 조명 및 환경 변화에 대한 강건성, 그리고 오탐(false positive) 감소를 위한 추가적인 연구가 필요합니다.

PDF 보기

Made with Slashpage