論文の概要: Analyzing the Shopping Journey: Computing Shelf Browsing Visits in a Physical Retail Store
- arxiv url: http://arxiv.org/abs/2601.00928v1
- Date: Fri, 02 Jan 2026 01:40:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-06 16:25:21.863917
- Title: Analyzing the Shopping Journey: Computing Shelf Browsing Visits in a Physical Retail Store
- Title（参考訳）: ショッピング旅行の分析:物理小売店での棚のブラウジング訪問
- Authors: Luis Yoichi Morales, Francesco Zanlungo, David M. Woollard,
- Abstract要約: 「買い物客の棚参りを計算できるアルゴリズム」を導入する。
棚の訪問者は、マシンビジョンに基づく3Dトラッキングとオーバーヘッドカメラによって得られた軌跡から抽出される。
その結果, キャリブレーションを行った環境と異なる環境下で評価すると, 顧客の閲覧行動を認識することができることがわかった。
- 参考スコア（独自算出の注目度）: 0.5161531917413708
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Motivated by recent challenges in the deployment of robots into customer-facing roles within retail, this work introduces a study of customer activity in physical stores as a step toward autonomous understanding of shopper intent. We introduce an algorithm that computes shoppers' ``shelf visits'' -- capturing their browsing behavior in the store. Shelf visits are extracted from trajectories obtained via machine vision-based 3D tracking and overhead cameras. We perform two independent calibrations of the shelf visit algorithm, using distinct sets of trajectories (consisting of 8138 and 15129 trajectories), collected in different stores and labeled by human reviewers. The calibrated models are then evaluated on trajectories held out of the calibration process both from the same store on which calibration was performed and from the other store. An analysis of the results shows that the algorithm can recognize customers' browsing activity when evaluated in an environment different from the one on which calibration was performed. We then use the model to analyze the customers' ``browsing patterns'' on a large set of trajectories and their relation to actual purchases in the stores. Finally, we discuss how shelf browsing information could be used for retail planning and in the domain of human-robot interaction scenarios.
- Abstract（参考訳）: 近年の小売業における顧客向け役割へのロボット導入の課題に触発された本研究は、買い物客の意図を自律的に理解するためのステップとして、小売店における顧客活動の研究を導入する。
買い物客の「シェルフビジターズ」を計算するアルゴリズムを導入する。
棚の訪問者は、マシンビジョンに基づく3Dトラッキングとオーバーヘッドカメラによって得られた軌跡から抽出される。
我々は,異なる店舗で収集し,人間レビュアーによってラベル付けされた,異なるトラジェクトリ(8138と15129のトラジェクトリからなる)を用いて,シェルフビジットアルゴリズムの2つの独立したキャリブレーションを行う。
次に、キャリブレーションが実行された同一店舗と他の店舗の両方からキャリブレーションプロセスから保持された軌跡に基づいてキャリブレーションモデルを評価する。
その結果, キャリブレーションを行った環境と異なる環境下で評価すると, 顧客の閲覧行動を認識することができることがわかった。
次に、このモデルを用いて、大規模なトラジェクトリセットにおける顧客の‘ブラウジングパターン’の分析と、店舗における実際の購入との関係について分析する。
最後に、小売計画や人間とロボットの相互作用のシナリオにおいて、棚のブラウジング情報をどのように活用できるかについて議論する。
関連論文リスト
- Generating In-store Customer Journeys from Scratch with GPT Architectures [0.0]
本稿では,小売店舗における顧客トラジェクトリと購入行動を同時に生成する手法を提案する。
我々はGPT-2アーキテクチャをスクラッチからトレーニングし、屋内軌跡と購入行動を生成した。
その結果,本手法はLSTMモデルやSVMモデルよりも,店内軌道や購入行動をより正確に再現できることがわかった。
論文 参考訳（メタデータ） (2024-07-13T12:35:52Z) - Retail store customer behavior analysis system: Design and
Implementation [2.215731214298625]
本稿では,顧客行動の数学的モデリング,効率的なディープラーニングに基づく行動分析,個人と集団の行動可視化という3つの主要な要素を含むフレームワークを提案する。
各モジュールとシステム全体が、小売店の実際の状況からのデータを使用して検証された。
論文 参考訳（メタデータ） (2023-09-05T06:26:57Z) - Online Deep Clustering with Video Track Consistency [85.8868194550978]
ビデオオブジェクトトラックから視覚的特徴を学習するための教師なしクラスタリングに基づく手法を提案する。
教師なしのクラス非依存でノイズの多いトラックジェネレータを利用すれば、コストと正確なトラックアノテーションに依存するよりも精度が向上することを示す。
論文 参考訳（メタデータ） (2022-06-07T08:11:00Z) - Characterization of Frequent Online Shoppers using Statistical Learning
with Sparsity [54.26540039514418]
本研究は,小売分析と統計学習のアイデアを疎結合に組み合わせ,買い物客のオンラインギフトストアへの買い物嗜好を学習する方法を報告する。
論文 参考訳（メタデータ） (2021-11-11T05:36:39Z) - Glance and Gaze: Inferring Action-aware Points for One-Stage
Human-Object Interaction Detection [81.32280287658486]
Glance and Gaze Network(GGNet)と呼ばれる新しいワンステージ手法を提案する。
GGNetは、一組のアクションウェアポイント(ActPoints)を目視および視線ステップで適応的にモデル化する。
検出された各インタラクションと関連する人間と対象のペアを効果的に一致させるアクションアウェア・アプローチを設計します。
論文 参考訳（メタデータ） (2021-04-12T08:01:04Z) - OPAM: Online Purchasing-behavior Analysis using Machine learning [0.8121462458089141]
本稿では,教師なし・教師なし・半教師付き学習手法を用いた顧客の購買行動分析システムを提案する。
提案システムは,顧客カテゴリやクラスタを特定するために,セッションおよびユーザジャーニーレベルの購買行動を分析する。
論文 参考訳（メタデータ） (2021-02-02T17:29:52Z) - Categorizing Online Shopping Behavior from Cosmetics to Electronics: An
Analytical Framework [3.6726589459214445]
提案フレームワークは、自動購入予測と記述的な消費者インサイトを得るために、他の大規模なEコマースデータセットに拡張可能である。
提案システムは97～99%の分類精度を達成し,ユーザ・ジャーニーレベルの購買予測を行う。
論文 参考訳（メタデータ） (2020-10-06T06:16:44Z) - A robot that counts like a child: a developmental model of counting and
pointing [69.26619423111092]
実物を数えることができる新しい神経ロボティクスモデルを導入する。
このモデルにより,エンボディメントと数値認識の相互作用を調べることができる。
トレーニングされたモデルは、アイテムのセットをカウントすることができ、同時にそれらを指し示します。
論文 参考訳（メタデータ） (2020-08-05T21:06:27Z) - A Self-Training Approach for Point-Supervised Object Detection and
Counting in Crowds [54.73161039445703]
本稿では,ポイントレベルのアノテーションのみを用いて訓練された典型的なオブジェクト検出を可能にする,新たな自己学習手法を提案する。
トレーニング中、利用可能なポイントアノテーションを使用して、オブジェクトの中心点の推定を監督する。
実験の結果,本手法は検出タスクとカウントタスクの両方において,最先端のポイント管理手法よりも有意に優れていた。
論文 参考訳（メタデータ） (2020-07-25T02:14:42Z) - Towards in-store multi-person tracking using head detection and track
heatmaps [11.318061963422807]
本稿では,スーパーマーケットの顧客行動の様相を再現するオフィス環境において,カメラから収集したデータセットを紹介する。
本稿では,顧客とスタッフの行動パターンに基づいた認識モデルを提案する。
このモデルは、スーパーマーケットで24時間にわたって収集された実世界のデータセットを用いて評価され、トレーニング中の98%の精度と評価中の93%の精度を達成する。
論文 参考訳（メタデータ） (2020-05-16T15:07:19Z) - PeTra: A Sparsely Supervised Memory Model for People Tracking [50.98911178059019]
メモリスロット内のエンティティを追跡するように設計されたメモリ拡張ニューラルネットワークであるPeTraを提案する。
我々は、重要なモデリング選択を経験的に比較し、強い性能を維持しながら、メモリモジュールの設計のいくつかの側面を単純化できることを見出した。
PeTraは両方の評価に非常に効果的で、限られたアノテーションで訓練されているにもかかわらず、メモリ内の人々を追跡できる能力を示している。
論文 参考訳（メタデータ） (2020-05-06T17:45:35Z)
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。