論文の概要: A Region-Based Deep Learning Approach to Automated Retail Checkout
- arxiv url: http://arxiv.org/abs/2204.08584v1
- Date: Mon, 18 Apr 2022 23:08:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-20 14:30:34.266746
- Title: A Region-Based Deep Learning Approach to Automated Retail Checkout
- Title(参考訳): 地域別深層学習による小売チェックアウトの自動化
- Authors: Maged Shoman, Armstrong Aboah, Alex Morehead, Ye Duan, Abdulateef
Daud, Yaw Adu-Gyamfi
- Abstract要約: 本稿では、カスタマイズされたYOLOv5オブジェクト検出パイプラインとDeepアルゴリズムを用いて、製品カウントを自動化する新しい領域ベースのディープラーニング手法を提案する。
提案手法は2022年のAI City Challenge, Track 4で4位となり,F1スコアは0.4400であった。
- 参考スコア(独自算出の注目度): 6.145702626801786
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automating the product checkout process at conventional retail stores is a
task poised to have large impacts on society generally speaking. Towards this
end, reliable deep learning models that enable automated product counting for
fast customer checkout can make this goal a reality. In this work, we propose a
novel, region-based deep learning approach to automate product counting using a
customized YOLOv5 object detection pipeline and the DeepSORT algorithm. Our
results on challenging, real-world test videos demonstrate that our method can
generalize its predictions to a sufficient level of accuracy and with a fast
enough runtime to warrant deployment to real-world commercial settings. Our
proposed method won 4th place in the 2022 AI City Challenge, Track 4, with an
F1 score of 0.4400 on experimental validation data.
- Abstract(参考訳): 従来の小売店での商品チェックアウトプロセスの自動化は、一般的に社会に大きな影響を与える可能性がある。
この目標に向けて、迅速な顧客チェックアウトのための自動プロダクトカウントを可能にする、信頼できるディープラーニングモデルが、この目標を現実にすることができる。
本研究では、カスタマイズされたYOLOv5オブジェクト検出パイプラインとDeepSORTアルゴリズムを用いて、製品カウントを自動化する新しい領域ベースのディープラーニング手法を提案する。
本手法は,実世界の商用環境へのデプロイを保証し,十分な精度と高速なランタイムで予測を一般化できることを,実世界のテストビデオで実証した。
提案手法は2022年のAI City Challenge, Track 4で4位となり,F1スコアは0.4400であった。
関連論文リスト
- Capacity Constraint Analysis Using Object Detection for Smart
Manufacturing [2.007345596217044]
我々は,この問題を解決するために,畳み込みニューラルネットワーク(CNN)に基づくODモデルを開発した。
このモデルは、製造現場における椅子や個人の存在を正確に識別するために訓練されている。
識別されたオブジェクトはCNNベースのトラッカーに渡され、ワークステーションのライフサイクルを通して追跡される。
論文 参考訳(メタデータ) (2024-01-31T23:52:14Z) - Auto-FP: An Experimental Study of Automated Feature Preprocessing for
Tabular Data [10.740391800262685]
機能前処理は、優れたモデル品質を保証するための重要なステップです。
大規模な検索スペースのため、ブルートフォースソリューションは違法に高価である。
我々は、Auto-FP問題を解決するために、様々なHPOおよびNASアルゴリズムを拡張した。
論文 参考訳(メタデータ) (2023-10-04T02:46:44Z) - Self-Supervised Representation Learning from Temporal Ordering of
Automated Driving Sequences [49.91741677556553]
本研究では、認識タスクのための地域レベルの特徴表現を事前学習するための時間順述前文タスクであるTempOを提案する。
我々は各フレームを、オブジェクト検出やトラッキングシステムにとって自然な表現である、未順序な特徴ベクトルのセットで埋め込む。
BDD100K、nu Images、MOT17データセットの大規模な評価は、私たちのTempO事前学習アプローチがシングルフレームの自己教師型学習方法よりも優れていることを示している。
論文 参考訳(メタデータ) (2023-02-17T18:18:27Z) - A Walk in the Park: Learning to Walk in 20 Minutes With Model-Free
Reinforcement Learning [86.06110576808824]
深層強化学習は、制御されていない環境での学習ポリシーに対する有望なアプローチである。
機械学習アルゴリズムとライブラリの最近の進歩と、慎重に調整されたロボットコントローラを組み合わせることで、現実世界では4分で学習できる。
論文 参考訳(メタデータ) (2022-08-16T17:37:36Z) - Improving Domain Generalization by Learning without Forgetting:
Application in Retail Checkout [0.0]
本稿では,2段階パイプラインを用いた手法を提案することにより,この問題に対処する。
第1段階はクラスに依存しない項目を検出し、第2段階は製品カテゴリの分類専用である。
この方法は2022年のAIシティチャレンジで評価されます -- トラック4で、テストAセットでF1のスコアを40%以上取得します。
論文 参考訳(メタデータ) (2022-07-12T09:35:28Z) - Fully Automated Binary Pattern Extraction For Finger Vein Identification
using Double Optimization Stages-Based Unsupervised Learning Approach [0.0]
機械学習に基づく教師なし、教師なし、ディープラーニングのアルゴリズムは、指静脈の検出と認識に大きな影響を与えている。
ディープラーニングは、手作業による生成とラベル付けが必要な、多数のトレーニングデータセットを必要とする。
本研究では,データセット作成をトレーニングするための完全に自動化された教師なし学習戦略を提案する。
論文 参考訳(メタデータ) (2022-05-08T11:01:25Z) - Induction and Exploitation of Subgoal Automata for Reinforcement
Learning [75.55324974788475]
本稿では,Regressed Learning (RL)タスクにおけるサブゴールの学習と活用のためのISAを提案する。
ISAは、タスクのサブゴールによってエッジがラベル付けされたオートマトンであるサブゴールオートマトンを誘導することで強化学習をインターリーブする。
サブゴールオートマトンはまた、タスクの完了を示す状態と、タスクが成功せずに完了したことを示す状態の2つの特別な状態で構成されている。
論文 参考訳(メタデータ) (2020-09-08T16:42:55Z) - AutoOD: Automated Outlier Detection via Curiosity-guided Search and
Self-imitation Learning [72.99415402575886]
外乱検出は重要なデータマイニングの課題であり、多くの実用的応用がある。
本稿では,最適なニューラルネットワークモデルを探すことを目的とした自動外乱検出フレームワークであるAutoODを提案する。
さまざまな実世界のベンチマークデータセットに対する実験結果から、AutoODが特定したディープモデルが最高のパフォーマンスを達成することが示された。
論文 参考訳(メタデータ) (2020-06-19T18:57:51Z) - DeepMark++: Real-time Clothing Detection at the Edge [55.41644538483948]
本稿では,迅速な衣服検出とキーポイント推定を実現するための単一ステージアプローチを提案する。
提案手法は,マルチターゲットネットワークであるCenterNetをベースとして,性能向上のためのポストプロセッシング技術をいくつか導入する。
私たちの最も正確なモデルは、DeepFashion2データセットの最先端ソリューションに匹敵する結果を達成します。
論文 参考訳(メタデータ) (2020-06-01T04:36:57Z) - Guided Uncertainty-Aware Policy Optimization: Combining Learning and
Model-Based Strategies for Sample-Efficient Policy Learning [75.56839075060819]
従来のロボットのアプローチは、環境の正確なモデル、タスクの実行方法の詳細な説明、現在の状態を追跡するための堅牢な認識システムに依存している。
強化学習アプローチは、タスクを記述するための報酬信号だけで、生の感覚入力から直接操作することができるが、非常にサンプル非効率で脆弱である。
本研究では,ロボットの知覚・運動パイプラインにおける不正確さを克服できる一般的な手法を得るために,モデルに基づく手法の強みと学習に基づく手法の柔軟性を組み合わせる。
論文 参考訳(メタデータ) (2020-05-21T19:47:05Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。