基于姿态的异常检测探索零售安全：实用零售盗窃数据集与基准
计算机视觉与模式识别
2025-01-14 v1 人工智能
摘要
盗窃是一个给零售商造成数十亿美元年度损失的重大挑战。传统安全措施往往不足，凸显了能够实时检测盗窃行为的智能解决方案的需求。本文将盗窃检测建模为异常检测问题，聚焦于识别典型购物模式的偏差。我们引入 PoseLift，一个专为盗窃检测设计的隐私保护数据集，旨在解决数据稀缺、隐私 concerns 以及模型偏见等挑战。PoseLift 与零售商合作构建，包含来自真实场景的匿名化人体姿态数据。通过保留关键行为信息的同时匿名化身份信息，PoseLift 在隐私与实用性之间取得平衡。我们对本数据集上的先进姿态基异常检测模型进行基准测试，使用全面的指标评估其性能。我们的结果表明，姿态基方法在实现高检测准确性的同时，有效解决了传统方法固有的隐私和偏见问题。作为首个捕获真实世界盗窃行为的数据集，PoseLift 为研究人员提供了推进计算机视觉伦理实践的宝贵工具，未来将公开提供以促进创新和合作。数据集可在 https://github.com/TeCSAR-UNCC/PoseLift 查找。
引用
@article{arxiv.2501.06591,
title = {Exploring Pose-Based Anomaly Detection for Retail Security: A Real-World Shoplifting Dataset and Benchmark},
author = {Narges Rashvand and Ghazal Alinezhad Noghre and Armin Danesh Pazho and Shanle Yao and Hamed Tabkhi},
journal= {arXiv preprint arXiv:2501.06591},
year = {2025}
}