Smart Retail: Pose-basierte, periodische Anomalie-Erkennung für Diebstahlschutz

Ein neues Forschungsergebnis aus dem Bereich der Einzelhandelsüberwachung zeigt, dass die Erkennung von Ladendiebstahl mithilfe von Pose‑Erkennung und periodischer Anpassung an Echtzeit‑Daten deutlich effizienter und ressourcenschonender funktioniert als bisherige Offline‑Methoden.

Die Autoren haben das Problem des Diebstahls als unüberwachtes Anomalie‑Erkennungsproblem formuliert und ein Framework entwickelt, das auf Edge‑Geräten in IoT‑fähigen Einzelhandelsumgebungen eingesetzt werden kann. Durch die kontinuierliche Anpassung an Streaming‑Daten ohne menschliche Aufsicht können die Systeme schnell auf neue Verhaltensmuster reagieren und gleichzeitig die Privatsphäre der Kunden wahren.

Zur Validierung wurde RetailS – ein umfangreiches, realweltliches Datenset mit multi‑tägigen, multi‑Kamera‑Aufnahmen – erstellt. In periodischen Anpassungsexperimenten übertraf das neue System 91,6 % der Offline‑Vergleichsmodelle in Bezug auf AUC‑ROC und AUC‑PR. Jede Trainingsaktualisierung dauerte weniger als 30 Minuten auf handelsüblichen Edge‑Hardware, was die Skalierbarkeit und Zuverlässigkeit für den Einsatz in verteilten Kamerasystemen unterstreicht.

Die Ergebnisse deuten darauf hin, dass pose‑basierte, periodische Anomalie‑Erkennung ein vielversprechender Ansatz ist, um die wachsenden Verluste durch Ladendiebstahl zu reduzieren und gleichzeitig die Betriebskosten und den Aufwand für menschliche Überwachung zu senken.