PoseLift|计算机视觉数据集|零售安全数据集

arXiv2025-01-12 更新2025-01-15 收录

计算机视觉

零售安全

下载链接：

https://github.com/TeCSAR-UNCC/PoseLift

下载链接

链接失效反馈

资源简介：

PoseLift数据集是由北卡罗来纳大学夏洛特分校与零售店合作创建的隐私保护数据集，专注于商店盗窃行为的检测。该数据集包含155个视频，涵盖了真实零售环境中的正常购物和盗窃行为，视频分辨率为1920×1080，帧率为15帧/秒。数据集通过隐私保护技术对数据进行匿名化处理，提供了姿态序列数据，包括人体姿态、边界框和跟踪ID等信息。PoseLift的创建过程包括从零售店的CCTV录像中提取数据，并通过人工标注对每帧进行分类，标注为正常购物或盗窃行为。该数据集旨在通过基于姿态的异常检测方法解决零售安全中的商店盗窃问题，为计算机视觉研究提供了一个重要的工具。

提供机构：

北卡罗来纳大学夏洛特分校

创建时间：

2025-01-12

AI搜集汇总

数据集介绍

构建方式

PoseLift数据集的构建过程始于与零售商店的合作，通过获取其CCTV监控录像，捕捉真实世界中的正常购物和盗窃行为。所有视频均以1920×1080的分辨率和15帧每秒的帧率录制，最终筛选出155段视频，涵盖6个不同视角的摄像头。为了确保隐私，数据集采用去标识化处理，提供人体姿态序列数据而非原始像素数据。每帧视频经过人工标注，区分正常购物和盗窃行为，确保数据的准确性和实用性。

使用方法

PoseLift数据集主要用于训练和评估基于姿态的异常检测模型，特别适用于零售环境中的盗窃行为检测。研究人员可以使用该数据集进行无监督学习，通过模型学习正常购物行为，进而识别异常行为。数据集提供了详细的标注信息，包括人体姿态关键点、边界框和跟踪ID，便于模型训练和性能评估。此外，PoseLift还可用于开发隐私保护型计算机视觉算法，推动零售安全领域的创新。

背景与挑战

背景概述

PoseLift数据集由北卡罗来纳大学夏洛特分校的研究团队于2025年推出，旨在解决零售行业中的盗窃检测问题。该数据集通过与零售商店合作，收集了真实场景中的匿名化人体姿态数据，专注于通过姿态分析检测异常行为。PoseLift的创建填补了现有数据集的空白，特别是在隐私保护和真实场景数据稀缺的背景下。该数据集不仅为研究人员提供了一个基于姿态的异常检测基准，还推动了计算机视觉在零售安全领域的伦理应用。PoseLift的发布标志着零售安全领域在数据隐私和模型公平性方面迈出了重要一步。

当前挑战

PoseLift数据集面临的挑战主要集中在两个方面。首先，盗窃行为在真实场景中具有罕见性和多样性，导致数据标注困难且样本不平衡。其次，构建过程中需平衡数据隐私与实用性，避免使用原始视频数据以防止个人身份泄露。此外，模型在检测过程中可能引入基于性别、种族或服装的偏见，影响检测结果的公平性。这些挑战要求研究者在数据采集、标注和模型设计时采取创新方法，以确保检测系统的准确性和伦理合规性。

常用场景

经典使用场景

PoseLift数据集主要用于零售安全领域的异常检测，特别是在实时盗窃行为识别方面。通过捕捉真实零售环境中的匿名人体姿态数据，PoseLift为研究人员提供了一个隐私保护的平台，用于开发和评估基于姿态的异常检测模型。该数据集的核心应用场景是通过分析顾客的姿态序列，识别与正常购物行为显著偏离的异常行为，从而实现对盗窃行为的实时监控和预警。

解决学术问题

PoseLift数据集解决了零售安全领域中的多个关键学术问题。首先，它填补了真实世界盗窃行为数据稀缺的空白，避免了以往数据集依赖模拟场景的局限性。其次，通过匿名化处理，PoseLift有效解决了隐私保护和数据偏见问题，确保了模型的公平性和合规性。此外，该数据集将盗窃检测问题重新定义为异常检测任务，推动了无监督学习方法在零售安全中的应用，减少了对标注数据的依赖，提升了模型的泛化能力。

实际应用

在实际应用中，PoseLift数据集为零售商店提供了智能化的安全解决方案。通过部署基于该数据集训练的异常检测模型，零售商可以实时监控店内顾客行为，自动识别潜在的盗窃行为并发出警报。这不仅减少了人工监控的成本和误差，还显著提升了盗窃行为的检测效率。此外，PoseLift的隐私保护特性使其能够在遵守数据隐私法规的前提下，广泛应用于各类零售环境中，为零售安全领域的技术创新提供了重要支持。

数据集最近研究