AIStore — 方案说明

一句话结论

产品设计是「多路账本 + 双路径告警（L1 藏匿 → L2 VLM）∧ POS 未对账」；但当前公开数据集过夜评测的 P/R/F1，量的是 EventEngine 姿态藏匿启发式 （手腕进躯干/髋 + take/near_missing 上下文）， 不是 VLM，也不是 ReID 分类器。正例规则：clip timeline 出现任意一次 conceal / pocket / under_clothes。

设计方案 vs 当前实际

左侧是门店产品目标；右侧是 Layer B 公开 clip 评测实际跑通的路径。

设计方案门店端到端

感知：YOLO 行人 + Pose；可选开放词汇商品支路
身份：OSNet ReID → 全局顾客 C#（跨镜会话，不当偷标签）
L1 事件：take / return / conceal（启发式或 hybrid MLP）
账本：Taken → Hidden → Checkout → Unreconciled
Path1：可疑 L1 → L2 VLM 诊断 steal / conceal_unpaid
Path2：taken_proxy > checkout_hard（POS/小票优先）
告警：dual_path_and — 两边同时成立才推人审

YOLO+Pose→ ReID C#→ EventEngine→ Ledger→ L2 VLM∧ POS→ 告警

当前实际 Layer B 过夜评测

单路 RGB clip：无 POS、无多镜会话、无人工复核环
YOLO11n：只做人框 / 弱 take 上下文，不输出偷标签
YOLO11n-pose：手腕 vs torso/hip → 藏匿信号
OSNet：跑了但不参与 steal 判定
EventEngine hybrid：多数配置无 conceal ckpt → 等价启发式
L2 VLM：代码已有，过夜 / clip 评测未接入计分
正例：任意 conceal 事件 → pred_positive

YOLO+Pose→ ReID→ conceal 规则→ Ledger/POS→ L2 VLM→ clip P/R/F1

            pred_positive = any(timeline.type ∈ {conceal, pocket, under_clothes})
          

边界：这些数字是 Layer B 子指标，≠ 门店端到端产品准确率。 Demo 若开 narrative_fallback，更不能当准确率证据。详见 docs/PRODUCTION.md · outputs/OVERNIGHT_EVAL_REPORT.md。

各模型在「偷不偷」里扮演什么

阶段	模型 / 组件	设计角色	评测里是否判偷
检测	YOLO11n	人框、弱商品框，支撑 take	否（间接上下文）
姿态	YOLO11n-pose	关键点 → 手腕进躯干/髋	是（主信号）
ReID	OSNet	跨镜身份 embedding	否
事件	EventEngine	发 take / conceal 等 timeline	是（最终正例）
藏匿 MLP	ConcealmentScorer	可选；无 ckpt 则启发式分	通常关 / 等效启发式
L2	Qwen / stub	steal / conceal_unpaid	否（未进 clip 计分）

当前效果（过夜 Layer B，去重后）

生成时间约 2026-09-10 · 报告 outputs/OVERNIGHT_EVAL_REPORT.md

UCF clips F1

0.64

n=86 · P0.97 R0.47 · 最强公开 clip 信号

HF MNNIT F1

0.46

n=182 · P0.79 R0.33

PoseLift 帧 F1

0.53

n=2380 · 纯关键点手腕规则

Zenodo F1

0.041

n=794 · P0.75 R0.021 · 高精极低召回

HF Dataset 2.0 F1

0.00

n=194 · tp=0 fn=109 · 域失败

数据集	n	P	R	F1	读数
Zenodo 全量	794	0.75	0.021	0.041	规则很严：几乎不误报，但漏掉绝大多数真偷
HF MNNIT	182	0.79	0.33	0.46	部分清晰藏包动作能命中；仍大量零事件 FN
HF Dataset 2.0	194	0	0	0	当前启发式在该域零召回
UCF clips	86	0.97	0.47	0.64	近景偷拍更易触发手腕进躯干
PoseLift	2380 帧	0.46	0.63	0.53	不跑 RGB 管线，只评关键点规则本身

样例分析

下列来自 UCF / MNNIT / Zenodo 过夜结果：看「为什么判正 / 为什么漏」。共同模式：命中时几乎总有 n_take ≥ 1 且 conceal 发出；漏检多为整段 events_total = 0（姿态或 take 上下文都没过门）。

TP · UCF

Shoplifting048_x264_2.mp4

标签偷；约 2.57s / 2.77s 发出 2 次 conceal，同时有 3 次 take。近景口袋动作满足「手腕进髋 + 近期拿取」。

pred_positive=true · n_conceal=2 · n_take=3 · events=5

FN · UCF

Shoplifting001_x264_9.mp4

标签偷，但 timeline 全空。常见原因：遮挡/远景导致手腕未进 torso 框，或商品消失未形成 take → context_ok 失败。

pred_positive=false · n_conceal=0 · n_take=0 · events=0

FP · UCF（仅 1 例）

Shoplifting009_x264_0.mp4

文件夹标 normal，却触发 1 次 conceal。说明规则偏「藏匿姿态」代理，正常理货/整理口袋也可能过线。

pred_positive=true · n_conceal=1 · n_take=1 · @4.8s

TP · MNNIT

Shoplifting (11).mp4

1 take + 1 conceal 即整 clip 判正。高精（P≈0.79）来自「只有明确藏包才开火」。

pred_positive=true · n_conceal=1 · n_take=1

FN · Zenodo 主因

main100_Trim2.mp4 等

Zenodo 422 个 FN 里大量 events=0。远景监控 + 弱商品检测 → take 稀少，conceal 门几乎不开 → R≈0.02。

典型：conceal=0 · take=0 · 全量仅 tp=9

域失败 · Dataset 2.0

shop_lifter_*.mp4

109 个正样本全部零事件。同一套手腕规则无法迁移到该语料视角/动作分布。

tp=0 · fp=0 · fn=109 · F1=0

PoseLift 可视化样例

帧级评测不跑完整 RGB pipeline，直接对 AlphaPose 关键点套「手腕进躯干」规则。下图为骨架条带 / 正负 mask 时间线（若图片 404，请先跑 scripts/viz_poselift.py）。

PoseLift 01_0222 stick strip — **01_0222** · 91 帧 / 正样本 30 帧 · 骨架条带（手腕进躯干时段）

PoseLift 01_0222 mask timeline — **01_0222** · GT mask 时间线对照 · 规则 F1≈0.53、AUC≈0.50（接近随机排序）

PoseLift 01_0225 stick strip — **01_0225** · 另一段骨架条 · 可看出姿态规则对「藏」敏感、对「偷语义」不敏感

读数含义（给评审）

高 P、低 R（Zenodo / 部分 MNNIT）：当前代理标签很保守，宁可漏也不乱报；适合当「可疑片段召回器」的弱基线，不适合直接当偷盗分类器。
UCF 相对最好：近景、动作夸张，手腕规则更吃得开；推到真实店内远景会掉回 Zenodo 形态。
要逼近设计方案：需要接入 L2 VLM 计分 + POS 未对账双路径，并用 Layer C 门店会话评测，而不是继续只优化 clip 级 conceal 命中率。

方案 说明