从离线适应到周期性适应：基于姿态的零售商店盗窃检测中的实际应用
人工智能
2026-03-06 v1
摘要
盗窃是零售商店日益增长的运营和经济挑战，尽管已有大量视频监控，但事件数量和损失仍在上升。持续的人类监控不可行，这促使需要自动化、隐私保护且资源友好的检测解决方案。本文将盗窃检测建模为基于姿态的无监督视频异常检测问题，引入了面向现场物联网部署的周期性适应框架。我们的框架使智能零售环境中的边缘设备能够从流式无标签数据中进行适应，支持分布式摄像头网络中可扩展且低延迟的异常检测。为支持可重复性，我们引入了 RetailS 数据集，该数据集是在多天、多摄像头条件下从零售商店收集的大规模真实世界盗窃数据集，捕获了在真实物联网环境中不带偏见的盗窃行为。对于可部署的运行，阈值选取同时使用 F1 和 H_PRS 分数（精确率、召回率和特异率的调和平均数），进行数据过滤和训练。在周期性适应实验中，我们的框架在 91.6% 的评估中在 AUC-ROC 和 AUC-PR 上 consistently优于离线基线，每次训练更新在边缘级硬件上完成时间均在 30 分钟以内，表明该解决方案为 IoT 启用智能零售部署的可行性和可靠性。
引用
@article{arxiv.2603.04723,
title = {From Offline to Periodic Adaptation for Pose-Based Shoplifting Detection in Real-world Retail Security},
author = {Shanle Yao and Narges Rashvand and Armin Danesh Pazho and Hamed Tabkhi},
journal= {arXiv preprint arXiv:2603.04723},
year = {2026}
}