論文ノートライブラリに戻る
CVPR Workshops 2022小売商品認識論文ノート

DeepACO

見下ろすハンター

原論文

DeepACO: A Robust Deep Learning-Based Automatic Checkout System

論文の著者

Long Hoang Pham · Duong Nguyen-Ngoc Tran · Huy-Hung Nguyen …

著者全 7 名を表示

Long Hoang Pham · Duong Nguyen-Ngoc Tran · Huy-Hung Nguyen · Tai Huu-Phuong Tran · Hyung-Joon Jeon · Hyung-Min Jeon · Jae Wook Jeon

発表先
CVPR Workshops 2022ワークショップ
この論文を引用 · BibTeX

引用情報はリンク先の論文の版に対応し、原論文の著者を記載しています。

@inproceedings{retailproductdeepaco2022,
  title = {{DeepACO: A Robust Deep Learning-Based Automatic Checkout System}},
  author = {Long Hoang Pham and Duong Nguyen-Ngoc Tran and Huy-Hung Nguyen and Tai Huu-Phuong Tran and Hyung-Joon Jeon and Hyung-Min Jeon and Jae Wook Jeon},
  year = {2022},
  booktitle = {CVPR Workshops},
  url = {https://openaccess.thecvf.com/content/CVPR2022W/AICity/html/Pham_DeepACO_A_Robust_Deep_Learning-Based_Automatic_Checkout_System_CVPRW_2022_paper.html}
}
このページの内容

これは CVPR ワークショップの論文です。一緒に見てみましょう。

問題の定義

近年、小売業は人工知能とコンピュータビジョン技術を通じて深い変革を迎えています。その中で自動レジ(Automatic Checkout, ACO)は最も変革的な応用シーンの一つとされています。

理想的な ACO システムは、顧客が商品をレジ台に置いた瞬間に、

すべての商品をリアルタイムで識別し、正確な購入リストを出力、全行程で人為的な介入は不要!

そんなことが可能でしょうか?

現実には、このようなシステムを構築するためには無数の課題に直面します:

  • 商品の遮蔽や動的なブレ;
  • 非常に似通った商品の外観;
  • 誤検出や誤分類がもたらす実質的コスト;
  • 商品種類が膨大かつ頻繁に入れ替わり、実際のシーンを反映した訓練画像の収集が困難。

従来の背景差分、SIFT、HOG 特徴量と SVM やランダムフォレストといった分類器は、遮蔽や照明変化などのノイズに対処しきれず、精度が限られていました。

深層学習時代に入り、Faster R-CNN、SSD、YOLO などのモデルを用いて大きな突破はありましたが、実際の運用では依然として多くの難問が残ります:

  • 単一画像の検出と、動画全体の商品カウントは分けて評価する;
  • 安定性と一貫性を高めるには、多物体追跡(Multi-Object Tracking, MOT)技術の導入が必須;

しかし MOT 自体も大量の計算コスト、リアルタイム性能、ID 維持の困難さという課題を抱えており、特にオンラインの tracking-by-detection モードでは顕著です。

一方で、ACO タスクのデータ要求は一般的な検出タスクとは異なり、「多物体同時映り込み」「深い遮蔽」「視点・照明変化の激しい」実世界のシーンに強く依存します。既存のデータセットは例えば:

  • RPC:8 万枚の静止画・レジシーン画像、200 種類の商品;
  • RP2K:2,000 種類以上の商品、35 万枚の実撮画像、細粒度分類に特化;
  • AI City Challenge Checkout:3D スキャンから生成された合成データで、実際の陳列や光の変化を模擬、合計 116,500 枚の画像。

それでも、これらのデータセットは実際の小売現場で絶えず変化する商品の全貌を完全にカバーできていません。

このような高い遮蔽率、高い混雑度、高頻度の更新という極限の応用シーンに対して、安定して追跡し正確にカウントできるフルフローの ACO システムを作ることは可能でしょうか?

本論文の著者はこの問題を解決しようとしています。

解決策

データ合成

仕事をうまく進めるには、まず道具を整えるべし。

つまり、訓練データの問題を最初に解決する必要があります。

自動レジシステム(ACO)における核心能力は、

任意の商品組み合わせにおける各商品の種類と数量を正確に予測すること。

しかし、実際のレジ映像のみを用いて訓練を行うと、膨大なデータ量と維持コストの問題が発生します。商品カテゴリが多く、更新頻度も高いため、あらゆる組み合わせや遮蔽状況を網羅することはほぼ不可能です。

そこで著者は、より実務的な戦略を採用しました:制御された環境での単一商品スキャン画像を、合成技術によりリアルなレジ映像に変換し、モデル訓練に利用する。

具体的な流れは以下の図の通りです。

各商品について「単一サンプル」データセット S={(Is,Ms,ys)}S = \{(I_s, M_s, y_s)\} を収集します。ここで、

  • IsI_s:商品の画像;
  • MsM_s:対応するバイナリマスク;
  • ysy_s:商品カテゴリ ID。

本研究では 2022 AI City Challenge Track 4 で提供された Saic データセットを使用し、

  • 合計 116,500 枚の画像;
  • 116 カテゴリの商品;
  • すべての商品は 3D スキャンによる取得。

これらの exemplar を用いて、多数の合成レジシーン画像 G={gi}\mathcal{G} = \{g_i\} を生成します。生成過程は以下の通り:

gi=p(N,a,s,g,c)g_i = p(N, a, s, g, c)

パラメータの意味は、

  • N={(In,Mn,yn)}⊂SaicN = \{(I_n, M_n, y_n)\} \subset Saic:ランダムに選ばれた n=7n=7~1212 個の exemplar;
  • (a,s,g)(a, s, g):各 exemplar に対して適用される回転角度、拡大縮小率、ガンマ補正などの増強パラメータ。範囲はそれぞれ 0°~360°、0.8~1.2、0.8~1.0;
  • cc:遮蔽度(clutter ratio)。0.1~0.5 の範囲で、合成時の物体重なりの最大 IoU を制御。

フルプロセスは以下:

  1. 各 exemplar に対し、MnM_nを用いて背景をビット演算で除去;
  2. ランダムなデータ増強(回転、拡大縮小、明るさ調整)を適用;
  3. 逆閾値処理でマスク生成;
  4. 実際のレジ映像の背景画像にランダムに商品を貼り付け;
  5. ccで設定した IoU 閾値を超えないように遮蔽を制御し、過度な重なりを回避。

この流れにより、多角度・遮蔽・複雑な背景の多様なレジシーンを高速に大量生成可能です。

以下の図は、遮蔽度の異なる三例の合成結果です。これらは生成例であり、訓練への効果は後の実験で判断する必要があります。

左から順に、低・中・高遮蔽度の合成結果。

モデル構成

DeepACO の全体設計は上図の通りで、3 つの主要コンポーネントで構成されています:

  1. 検出器(Detector)
  2. 追跡器(Tracker)
  3. カウンター(Counter)

さらに、2022 AI City Challenge Track 4 の特殊要件を満たすため、手部推定モジュール(Hand Estimator)を統合し、顧客の操作中の商品判別能力を強化しています。

商品検出

DeepACO は柔軟な検出フレームワークを採用し、複数の物体検出モデル(ホットプラグ対応)をサポート、バッチ入力/出力フォーマットを満たせば良い仕様です:

  • 入力:RGB 映像シーケンス I={Ii∣t≤i<t+B}∈RB×C×H×WI = \{I_i | t \leq i < t + B\} \in \mathbb{R}^{B \times C \times H \times W};
  • 出力:画像ごとに Di∈RPi×6D_i\in\mathbb R^{P_i\times6} の行列を返し、各行は [x1,y1,x2,y2,cls,conf][x_1,y_1,x_2,y_2,\mathrm{cls},\mathrm{conf}] です。検出数 PiP_i は画像によって異なり、対応するフレーム番号も保持します。

本研究ではベースラインにScaled-YOLOv4-P5を選択し、以下の特徴を持ちます:

  • YOLOv4 アーキテクチャを踏襲し、CSPNet 設計を融合;
  • 複数スケールモデル(P5、P6、P7)をサポートし、論文が引用する MS-COCO の mAP はそれぞれ 51.8%、54.5%、55.5%;
  • クラウド GPU や低消費電力デバイスへ展開可能で高い拡張性。

訓練データは前節で生成した 15,642 枚の合成画像で、8:2 の割合で論文の呼称で訓練・テストに分け、MS-COCO 事前学習モデルをファインチューニング。

訓練設定は以下の通り:

  • データ増強:基本は回転・平行移動・切り出し、上級で RandAugmentation・Mosaic を適用;
  • オプティマイザ:SGD、50 エポック訓練し、論文が「テストセット」と呼ぶ分割で最良の重みを選択。この合成データの 20% 分はモデル選択に使われるため、完全に独立した最終評価とは扱えません。大会の Test A/B とは別の分割です。

合成と訓練時の両段階で増強を行う「二重増強」効果により、過学習回避とスケール・遮蔽への適応力向上に寄与しています。

手部推定

コンペティションの要件を満たすために、DeepACO は特に「顧客の手に持たれた商品」を認識する手部感知モジュールを導入し、検出精度と意味理解能力を向上させています。このモジュールは Google の MediaPipe フレームワークを採用し、上図のように二段階処理で構成されています。

  1. Palm Detection(掌検出) SSD アーキテクチャを用いて画像全体から掌を検出します。柔軟な手の推定よりも、掌は剛性が高く遮蔽が少なく扱いやすいため、固定の正方形アンカーポイントでアンカー数を 3 ~ 5 倍削減できます。

  2. Hand Landmark(手部キーポイント回帰) 検出された掌領域内で 21 点の手部キーポイントを推定し、高精度な 3D キーポイント情報を生成します。自己遮蔽や部分遮蔽に強く、前フレームの位置から次フレーム領域を予測可能です。

このモジュールは検出器と並行して動作し、双方の結果をクロスチェックすることで、手に持たれていない商品の誤検出を効果的に除去します。必要に応じてユーザーがこのモジュールを無効化し、システムの柔軟性を保つことも可能です。

多物体追跡

映像内で安定した認識を行うために、追跡(Tracking)は不可欠なステップです。

DeepACO はオンライン多目標追跡器として SORT(Simple Online and Realtime Tracking)を採用し、各物体に一意の ID を付与し、ROI(関心領域)内の移動を追跡して、商品を重複なく一度だけ認識・計数します。

  • SORT:軽量な追跡ソリューション

    本システムのカメラは俯瞰の固定角度で撮影され(商品移動面が安定し遮蔽も管理可能)、計算効率が高くメモリ消費の少ない SORT を選択しました。より重い DeepSORT より実務展開に適しています。

    SORT の主要処理は以下:

    • カルマンフィルターによる動き予測;
    • ハンガリアンアルゴリズムで検出結果と既存追跡物のマッチング;
    • マッチングコストはIoU 距離で評価し、閾値は IoU ≥ 0.3。

    各追跡対象の状態ベクトルは (u,v,s,r,u˙,v˙,s˙)(u, v, s, r, \dot{u}, \dot{v}, \dot{s}) で、

    • (u,v)(u, v):物体中心位置;
    • ss:バウンディングボックス面積;
    • rr:アスペクト比;
    • (u˙,v˙,s˙)(\dot{u}, \dot{v}, \dot{s}):対応する速度成分。

    カルマンフィルターの線形運動モデルにより、DeepACO は各フレームの位置を予測し ID を安定して維持します。

  • 状態管理と計数ロジック

    DeepACO は元の SORT 構造に追跡状態機構を拡張し、追跡物の状態を時間経過で変化させます。上の表は ROI 進入から計数完了までに使う各状態を説明しています。

    最も重要な遷移は「Counting → Counted」判定で、これは物体が手に持たれた商品(hand-handled)の場合にのみ統計に含まれます。判定方法は、

    • 手部推定モジュールの片手 21 点のキーポイントを参照し、両手なら最大 42 点を調べる;
    • 物体のバウンディングボックス内にあるキーポイントの数を数え、設定した min_touches 閾値と比較;
    • レイキャスティングアルゴリズムを用いてポイントが多角形内にあるか判断。

    状態機械は、物体が ROI の外に出たか、または追跡の経過時間が閾値に達したかも確認して「Counting」から「Counted」へ遷移します。手の点がボックス内にあることだけが条件ではありません。

商品計数

AI City Challenge の評価基準を満たすため、DeepACO は簡潔かつ効果的な計数モジュールを設計しました。

各物体は ROI 進入時から状態が監視され、

  • 初めて完全に ROI 内に入った際に「Confirmed」状態とし、該当フレーム番号を記録;
  • その後「Counting」状態となった時点で、記録済みのフレーム番号から、
Timestamp=frame index60\text{Timestamp} = \frac{\text{frame index}}{60}

分母の 60 は入力動画のフレームレートであり、システムの推論 FPS ではありません。追跡と状態管理は重複を減らすための仕組みですが、見逃しや二重カウントを完全に防ぐ保証ではありません。

議論

DeepACO の有用性と性能を検証するため、2022 AI City Challenge Track 4 のテストセットを用いて、精度、遅延性能、実装構成の三面から評価しました。

システムは以下の環境で構築・テストされました:

  • CPU:Intel Core i7-7700
  • GPU:NVIDIA GeForce RTX 3090 24GB
  • RAM:32GB

開発プラットフォームは OpenCV、PyTorch、MediaPipe で、以下の二つの処理パイプラインを実装:

  • 同期パイプライン(Synchronous):各モジュールが順次処理;
  • 非同期パイプライン(Asynchronous):各モジュールを独立スレッド(CPU 4 スレッド+ GPU 1 スレッド)で処理し、キューで中間結果を管理、モジュール間の待機を軽減。

最終版は非同期方式を採用し、特に多商品同時出現時の処理性能が大幅に向上しました。

テストデータと評価指標

本研究は AI City Challenge の 5 本のテスト映像を用い、固定俯瞰カメラで顧客の自然なレジ操作を模擬しています。

評価指標はF1 スコアで、定義は以下:

F1=TPTP+0.5×(FP+FN)F_1 = \frac{TP}{TP + 0.5 \times (FP + FN)}
  • TP(True Positive):正しく認識した商品

    • 条件:カテゴリ正確、ROI 内に存在し、トレイ上で正しいタイミングで認識。
  • FP(False Positive):誤って正解と判定した認識;

  • FN(False Negative):認識漏れした実際の商品。

この指標は適合率と再現率のバランスを取り、ACO システムの実用性能を包括的に評価します。

定量結果

要旨・表 3・結論では Test A の F1=0.4783、当時の 2 位と報告されています。第 5.3 節の 0.4745 はこれと一致しません。本記事は複数箇所で一致する表の値を採り、相違も明記します。この順位は後の Test B の最終受賞順位ではありません。

Recall は 0.5238 でした。著者は操作と「スキャン」の定義のずれやタイムスタンプの誤りを候補として挙げていますが、Recall だけでは各原因の寄与を特定できません。

この結果は、当該テストセットで検出・追跡・計数の処理を実行できることを示します。一方、信頼できる実際のレジ運用にはまだ隔たりがあります。

精度以外に、リアルタイム処理性能も本システム設計の重要項目です。

以下条件で性能テストを行いました:

  • GPU:NVIDIA RTX 3090、RTX A6000;
  • モデル:Scaled-YOLOv4-P5 / P7;
  • 設定:P5 は 448×448、P7 は 896×896。表 4・5 では複数のバッチサイズとキューサイズを比較。

P5、448×448、バッチサイズ 16、キューサイズ 1 では、RTX 3090 の処理速度が同期の 20.54 FPS から非同期の 32.97 FPS に、RTX A6000 では 18.06 FPS から 34.03 FPS に上がりました。論文は各設定の改善を約 10 FPS と概括しています。ただし、表が示すのは指定ハードウェアと設定でのスループットです。1 商品の入力から応答までの遅延や実際の店舗での性能は、別に評価する必要があります。

結論

本論文は、複数モデルを組み合わせ可能なプラガブルな検出・追跡パイプラインを提案し、手部感知モジュールで実物操作時の認識精度を高めました。さらに、多様な合成データ生成パイプラインにより、実データ不足を補いました。

論文が記録した 2022 AI City Challenge Track 4 の Test A 暫定順位で、DeepACO は F1 スコア 0.4783 で 2 位でした。測定環境では平均約 30 FPS の処理速度も報告されています。

自動レジや小売視覚応用に取り組む技術者にとって、非常に参考になるケーススタディと言えます。