論文の概要: Exploring Pose-Based Anomaly Detection for Retail Security: A Real-World Shoplifting Dataset and Benchmark
- arxiv url: http://arxiv.org/abs/2501.06591v1
- Date: Sat, 11 Jan 2025 17:19:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-14 14:28:23.390633
- Title: Exploring Pose-Based Anomaly Detection for Retail Security: A Real-World Shoplifting Dataset and Benchmark
- Title（参考訳）: 小売セキュリティのためのPose-based Anomaly Detectionの探索: リアルワールドショップリフトデータセットとベンチマーク
- Authors: Narges Rashvand, Ghazal Alinezhad Noghre, Armin Danesh Pazho, Shanle Yao, Hamed Tabkhi,
- Abstract要約: 万引きは小売業者にとって大きな課題であり、結果として年間損失は数十億ドルに達する。
本稿では,典型的なショッピングパターンから逸脱を識別することに着目し,万引き検出を異常検出問題として捉えた。
万引き検出に特化したプライバシ保護データセットであるPoseLiftを紹介した。
- 参考スコア（独自算出の注目度）: 1.8802008255570537
- License:
- Abstract: Shoplifting poses a significant challenge for retailers, resulting in billions of dollars in annual losses. Traditional security measures often fall short, highlighting the need for intelligent solutions capable of detecting shoplifting behaviors in real time. This paper frames shoplifting detection as an anomaly detection problem, focusing on the identification of deviations from typical shopping patterns. We introduce PoseLift, a privacy-preserving dataset specifically designed for shoplifting detection, addressing challenges such as data scarcity, privacy concerns, and model biases. PoseLift is built in collaboration with a retail store and contains anonymized human pose data from real-world scenarios. By preserving essential behavioral information while anonymizing identities, PoseLift balances privacy and utility. We benchmark state-of-the-art pose-based anomaly detection models on this dataset, evaluating performance using a comprehensive set of metrics. Our results demonstrate that pose-based approaches achieve high detection accuracy while effectively addressing privacy and bias concerns inherent in traditional methods. As one of the first datasets capturing real-world shoplifting behaviors, PoseLift offers researchers a valuable tool to advance computer vision ethically and will be publicly available to foster innovation and collaboration. The dataset is available at https://github.com/TeCSAR-UNCC/PoseLift.
- Abstract（参考訳）: 万引きは小売業者にとって大きな課題であり、結果として年間損失は数十億ドルに達する。
従来のセキュリティ対策は、しばしば不足しており、リアルタイムで万引き行動を検出するインテリジェントなソリューションの必要性を強調している。
本稿では,典型的なショッピングパターンから逸脱を識別することに着目し,万引き検出を異常検出問題として捉えた。
PoseLiftは、万引き検出、データの不足、プライバシの懸念、モデルバイアスといった課題に対処するために特別に設計された、プライバシ保護データセットである。
PoseLiftは小売店と連携して構築されており、現実世界のシナリオから匿名化された人間のポーズデータを含んでいる。
PoseLiftは、IDを匿名化しながら重要な行動情報を保存することによって、プライバシとユーティリティのバランスをとる。
我々は、このデータセット上で、最先端のポーズベースの異常検出モデルをベンチマークし、総合的なメトリクスセットを用いてパフォーマンスを評価する。
その結果、ポーズに基づくアプローチは、従来の手法に固有のプライバシーやバイアスの懸念に効果的に対処しつつ、高い検出精度を実現することが示された。
PoseLiftは、現実世界の万引き行動を捉えた最初のデータセットとして、コンピュータービジョンを倫理的に前進させる貴重なツールを提供し、イノベーションとコラボレーションを促進するために一般公開される。
データセットはhttps://github.com/TeCSAR-UNCC/PoseLift.comで公開されている。
関連論文リスト
- Privacy-preserving Optics for Enhancing Protection in Face De-identification [60.110274007388135]
この脆弱性を解決するために,ハードウェアレベルの顔識別手法を提案する。
また、プライバシ保存画像、フェイスヒートマップ、およびパブリックデータセットからの参照顔イメージを入力として、新しい顔を生成する匿名化フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-31T19:28:04Z) - SHAN: Object-Level Privacy Detection via Inference on Scene Heterogeneous Graph [5.050631286347773]
プライバシオブジェクト検出は、画像内のプライベートオブジェクトを正確に見つけることを目的としている。
既存の手法は、精度、一般化、解釈可能性の重大な欠陥に悩まされている。
本稿では、画像からシーン異質グラフを構成するモデルであるSHAN(Scene Heterogeneous Graph Attention Network)を提案する。
論文 参考訳（メタデータ） (2024-03-14T08:32:14Z) - $\alpha$-Mutual Information: A Tunable Privacy Measure for Privacy
Protection in Data Sharing [4.475091558538915]
本稿では, 有基の$alpha$-Mutual Informationを調整可能なプライバシ尺度として採用する。
我々は、プライバシ保護を提供するためにオリジナルのデータを操作するための一般的な歪みに基づくメカニズムを定式化する。
論文 参考訳（メタデータ） (2023-10-27T16:26:14Z) - Facial Data Minimization: Shallow Model as Your Privacy Filter [44.21738197282953]
近年,顔データ漏洩によるセキュリティやプライバシの問題が数多く発生している。
本稿では,データプライバシ最小化変換(PMT)手法を提案する。
PMTは、認可されたサービスの浅いモデルに基づいて元の顔データを処理し、難読化されたデータを得る。
論文 参考訳（メタデータ） (2023-10-24T07:54:39Z) - Exploring Decision-based Black-box Attacks on Face Forgery Detection [53.181920529225906]
顔の偽造生成技術は鮮明な顔を生み出し、セキュリティとプライバシーに対する世間の懸念を高めている。
顔偽造検出は偽の顔の識別に成功しているが、最近の研究では顔偽造検出は敵の例に対して非常に脆弱であることが示されている。
論文 参考訳（メタデータ） (2023-10-18T14:49:54Z) - Diff-Privacy: Diffusion-based Face Privacy Protection [58.1021066224765]
本稿では,Diff-Privacyと呼ばれる拡散モデルに基づく顔のプライバシー保護手法を提案する。
具体的には、提案したマルチスケール画像インバージョンモジュール(MSI)をトレーニングし、元の画像のSDMフォーマット条件付き埋め込みのセットを得る。
本研究は,条件付き埋め込みに基づいて,組込みスケジューリング戦略を設計し,デノナイズプロセス中に異なるエネルギー関数を構築し,匿名化と視覚的アイデンティティ情報隠蔽を実現する。
論文 参考訳（メタデータ） (2023-09-11T09:26:07Z) - Did You Train on My Dataset? Towards Public Dataset Protection with
Clean-Label Backdoor Watermarking [54.40184736491652]
本稿では,公開データの保護のための一般的な枠組みとして機能するバックドアベースの透かし手法を提案する。
データセットに少数の透かしサンプルを挿入することにより、我々のアプローチは、ディフェンダーが設定した秘密関数を暗黙的に学習することを可能にする。
この隠れた機能は、データセットを違法に使用するサードパーティモデルを追跡するための透かしとして使用できる。
論文 参考訳（メタデータ） (2023-03-20T21:54:30Z) - RealGait: Gait Recognition for Person Re-Identification [79.67088297584762]
我々は,既存の映像人物の再識別課題からシルエットを抽出し,制約のない方法で歩く1,404人からなる新たな歩行データセットを構築した。
以上の結果から、実際の監視シナリオにおける歩行による認識は実現可能であり、その基盤となる歩行パターンが、実際にビデオの人物認識が機能する真の理由である可能性が示唆された。
論文 参考訳（メタデータ） (2022-01-13T06:30:56Z) - Statistical Feature-based Personal Information Detection in Mobile
Network Traffic [13.568975395946433]
本稿では、交通における個人情報の発生パターンを統計的に表現するために、個人情報の統計的特徴を設計する。
検出器は機械学習アルゴリズムに基づいてトレーニングされ、同様のパターンで潜在的な個人情報を検出する。
われわれの知る限りでは、統計的特徴に基づいて個人情報を検出するのはこれが初めてだ。
論文 参考訳（メタデータ） (2021-12-23T04:01:16Z) - Privacy-preserving Object Detection [52.77024349608834]
我々は,COCOにおけるオブジェクト検出において,顔のぼやけによるデータセットの匿名化と,性別や肌のトーン次元に沿ったバランスの取れた顔の交換は,プライバシを保ち,偏りを部分的に保ちながらオブジェクト検出性能を維持することができることを示した。
論文 参考訳（メタデータ） (2021-03-11T10:34:54Z)
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。