論文の概要: An Efficient Person Clustering Algorithm for Open Checkout-free Groceries

• arxiv url: http://arxiv.org/abs/2208.02973v1
• Date: Fri, 5 Aug 2022 03:48:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-08 12:34:21.454087
• Title: An Efficient Person Clustering Algorithm for Open Checkout-free Groceries
• Title（参考訳）: オープンチェックアウトフリー食料品のための効率的な人物クラスタリングアルゴリズム
• Authors: Junde Wu, Yu Zhang, Rao Fu, Yuanpei Liu, Jing Gao
• Abstract要約: オープンチェックアウトフリー食料品を対象とした効率的かつ効果的な人選クラスタリング手法を提案する。 具体的には,大規模データストリームと連続データストリームの関係をローカライズするために,まずクラウドサブグラフ(CSG)を提案する。 本手法がダイナミックで見えない人の流れに適応することを保証するため,簡単なNearest Neighbor(NN)戦略でグラフ畳み込みネットワーク(GCN)を提案する。
• 参考スコア（独自算出の注目度）: 13.666449413021464
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Open checkout-free grocery is the grocery store where the customers never have to wait in line to check out. Developing a system like this is not trivial since it faces challenges of recognizing the dynamic and massive flow of people. In particular, a clustering method that can efficiently assign each snapshot to the corresponding customer is essential for the system. In order to address the unique challenges in the open checkout-free grocery, we propose an efficient and effective person clustering method. Specifically, we first propose a Crowded Sub-Graph (CSG) to localize the relationship among massive and continuous data streams. CSG is constructed by the proposed Pick-Link-Weight (PLW) strategy, which \textbf{picks} the nodes based on time-space information, \textbf{links} the nodes via trajectory information, and \textbf{weighs} the links by the proposed von Mises-Fisher (vMF) similarity metric. Then, to ensure that the method adapts to the dynamic and unseen person flow, we propose Graph Convolutional Network (GCN) with a simple Nearest Neighbor (NN) strategy to accurately cluster the instances of CSG. GCN is adopted to project the features into low-dimensional separable space, and NN is able to quickly produce a result in this space upon dynamic person flow. The experimental results show that the proposed method outperforms other alternative algorithms in this scenario. In practice, the whole system has been implemented and deployed in several real-world open checkout-free groceries.
• Abstract（参考訳）: オープンチェックアウトなしの食料品店は、顧客がチェックアウトするために並んで待つ必要がない食料品店です。 このようなシステムの開発は、人々のダイナミックで大規模なフローを認識するという課題に直面しているため、簡単ではない。 特に、システムには、各スナップショットを対応する顧客に効率的に割り当てることができるクラスタリング手法が不可欠である。 オープンチェックアウトフリー食料品におけるユニークな課題に対処するために,効率的かつ効果的な人的クラスタリング手法を提案する。 具体的には,大規模データストリームと連続データストリームの関係をローカライズするために,まずクラウドサブグラフ(CSG)を提案する。 CSGは提案したPick-Link-Weight (PLW) 戦略によって構築され、これは時間空間情報に基づいてノードを \textbf{picks} 、軌跡情報を介してノードを \textbf{links} 、提案されたvon Mises-Fisher (vMF) の類似度メトリックによるリンクを \textbf{weighs} とする。 次に,本手法が動的で見えない人の流れに適応することを保証するため,CSGのインスタンスを正確にクラスタ化するための単純なNearest Neighbor(NN)戦略を用いたグラフ畳み込みネットワーク(GCN)を提案する。 gcnは機能を低次元の分離可能な空間に投影するために採用されており、nnはダイナミックな人フローでこの空間の結果を素早く生成することができる。 実験の結果,提案手法が他のアルゴリズムよりも優れていることがわかった。 実際には、システム全体が実装され、いくつかの現実世界のオープンチェックアウトフリー食料品にデプロイされている。

関連論文リスト

• Fast and Scalable Semi-Supervised Learning for Multi-View Subspace Clustering [13.638434337947302]
  FSSMSCは、既存のアプローチで一般的に見られる高い計算複雑性に対する新しいソリューションである。 この手法は、各データポイントを選択されたランドマークの疎線型結合として表現し、すべてのビューにまたがるコンセンサスアンカーグラフを生成する。 FSSMSCの有効性と効率は、様々なスケールの複数のベンチマークデータセットに対する広範な実験を通して検証される。
  論文  参考訳（メタデータ） (2024-08-11T06:54:00Z)
• Cluster-based Graph Collaborative Filtering [55.929052969825825]
  グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。 既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。 クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースのレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-16T07:05:16Z)
• Hard Regularization to Prevent Deep Online Clustering Collapse without Data Augmentation [65.268245109828]
  オンラインディープクラスタリング(オンラインディープクラスタリング)とは、機能抽出ネットワークとクラスタリングモデルを組み合わせて、クラスタラベルを処理された各新しいデータポイントまたはバッチに割り当てることである。 オフラインメソッドよりも高速で汎用性が高いが、オンラインクラスタリングは、エンコーダがすべての入力を同じポイントにマッピングし、すべてを単一のクラスタに配置する、崩壊したソリューションに容易に到達することができる。 本稿では,データ拡張を必要としない手法を提案する。
  論文  参考訳（メタデータ） (2023-03-29T08:23:26Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• Efficient Large-Scale Face Clustering Using an Online Mixture of Gaussians [1.3101369903953806]
  大規模オンライン顔クラスタリングのためのオンラインガウス混合クラスタリング法(OGMC)を提案する。 受信面から抽出された特徴ベクトル(fベクトル)を使用して、OGMCは、その近接性と堅牢性に応じて、他の人と接続できるクラスタを生成します。 実験の結果,提案手法は大規模フェースクラスタリングベンチマークにおける最先端のクラスタリング手法を上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-03-31T17:59:38Z)
• Mixed Membership Graph Clustering via Systematic Edge Query [22.77704627076251]
  この研究は、ほとんど不完全なグラフのクラスタリングノードを考慮する。 問題設定の下では、エッジに関する少数のクエリしか作成できないが、グラフ全体はオブザーバブルではない。 この問題は,限定アノテーションを用いた大規模データクラスタリング,限定された調査リソースによるコミュニティ検出,グラフトポロジ推論などに適用できる。
  論文  参考訳（メタデータ） (2020-11-25T19:19:05Z)
• Overcomplete Deep Subspace Clustering Networks [80.16644725886968]
  4つのベンチマークデータセットの実験結果から,クラスタリング誤差の観点から,DSCや他のクラスタリング手法に対する提案手法の有効性が示された。 また,本手法は,最高の性能を得るために事前学習を中止する点にDSCほど依存せず,騒音にも頑健である。
  論文  参考訳（メタデータ） (2020-11-16T22:07:18Z)
• Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge Computing [113.52575069030192]
  セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。 通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。 分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。 分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
  論文  参考訳（メタデータ） (2020-10-02T10:41:59Z)
• FedPD: A Federated Learning Framework with Optimal Rates and Adaptivity to Non-IID Data [59.50904660420082]
  フェデレートラーニング(FL)は、分散データから学ぶための一般的なパラダイムになっています。 クラウドに移行することなく、さまざまなデバイスのデータを効果的に活用するために、Federated Averaging(FedAvg)などのアルゴリズムでは、"Computation then aggregate"(CTA)モデルを採用している。
  論文  参考訳（メタデータ） (2020-05-22T23:07:42Z)
• Overlap Local-SGD: An Algorithmic Approach to Hide Communication Delays in Distributed SGD [32.03967072200476]
  We propose a algorithmic approach named OverlapLocal-Local-Local-SGD (Local momentum variant)。 各ノードにアンカーモデルを追加することでこれを実現する。 複数のローカルアップデートの後、ローカルにトレーニングされたモデルは、他の人と通信するのではなく、アンカーモデルへと引き戻される。
  論文  参考訳（メタデータ） (2020-02-21T20:33:49Z)

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。