Určení rozsahu video dohledu prostřednictvím dat Google Street View

Kontinuální pokrytí světa cestami Google Street View představuje možná nejúplnější, nej konzistentnější a nejkoherentnější vizuální záznam globální společnosti, s výjimkou zemí, které zakazují vozidlům shromažďujícím data této vyhledávací společnosti.

Jako zdroj příjmů pro infrastrukturu Google Maps je panoptikon Google Street View bohatým zdrojem dat pro analýzu strojového učení. Kromě jeho schopnosti neúmyslně zachytit trestné činy byl použit k odhadu regionálního příjmu z kvality automobilů na snímcích Google Street View, hodnocení zeleně v městských prostředích, identifikaci sloupu veřejného osvětlení, klasifikaci budov a odhad demografického složení amerických čtvrtí, mezi mnoha dalšími iniciativami.

Omezené statistiky o šíření kamer pro dohled v Spojených státech

Přes široké použití dat Google Maps pro sociální strojové učení iniciativy existuje velmi málo datových sad založených na Street View, které zahrnují označené příklady kamer pro dohled. Mapillary Vistas dataset je jedním z mála dostupných, který nabízí tuto funkčnost, i když zahrnuje méně než 20 označených veřejných kamer ve Spojených státech.

Velká část infrastruktury pro video dohled ve Spojených státech se setkává se státem pouze tehdy, když úřady požadují potvrzující záběry po místních incidentech, které mohly být zaznamenány. Kromě regulačních předpisů a v kontextu permissivních zákonů o ochraně soukromí, které málo řeší soukromý dohled nad veřejnými prostory, neexistuje žádný federální administrativní rámec, který by mohl poskytnout tvrdá statistická data o počtu veřejně přístupných kamer ve Spojených státech.

Nepřímo získaná data a omezené průzkumy tvrdí, že šíření kamer pro dohled ve Spojených státech může být srovnatelné s Čínou, ale není snadné to prokázat.

Identifikace kamer pro dohled ve snímcích Google Street View

Vzhledem k této nedostatečnosti dostupných dat provedli výzkumníci ze Stanfordovy univerzity studii o prevalenci, frekvenci a distribuci veřejně přístupných kamer pro dohled, které lze identifikovat ve snímcích Google Street View.

Výzkumníci vytvořili rámec pro detekci kamer, který vyhodnotil 1,6 milionu snímků Google Street View ve 10 velkých městech ve Spojených státech a šesti dalších velkých městech v Asii a Evropě.

V sestupném pořadí hustoty kamer je Boston na prvním místě ve výčtu měst ve Spojených státech, s recentní nebo aktuální hustotou 0,63 a celkovým počtem kamer 1 600. Přesto má New York City mnohem více kamer (10 100) rozložených po větší oblasti. Zdroj: https://arxiv.org/pdf/2105.01764.pdf

Mezi městy ve Spojených státech měl Boston nejvyšší hustotu identifikovaných kamer, zatímco New York City má nejvyšší počet kamer, a to 10 100, rozložených po větší vzdálenosti. V Asii má Tokio obrovských 21 700 odhadovaných kamer, ale Soul má menší počet kamer (13 900) koncentrovaných mnohem hustěji. Přestože bylo identifikováno 13 000 kamer pro snímky Street View v Londýně, Paříž překonává toto číslo jak v počtu identifikovaných umístění (13 000), tak v hustotě pokrytí.

Výzkumníci pozorují, že hustota kamer se výrazně liší mezi čtvrtěmi a zónami měst.

Mezi další omezující faktory pro přesnost průzkumu (které budeme dále zkoumat), výzkumníci pozorují, že kamery v rezidenčních oblastech jsou třikrát obtížněji identifikovatelné než ty umístěné v parcích, průmyslových zónách a smíšených zónách – pravděpodobně proto, že “odrazující” efekt je v rezidenčních zónách stále více sporný, což vede k maskovaným nebo diskrétním umístěním.

Při zohlednění měst ve Spojených státech, Asii a Evropě má Soul první místo jako nejvíce sledované městské prostředí, s Paříží nedaleko za ním.

Tam, kde má zóna většinu etnických nebo menšinových obyvatel, podle sčítání lidu, frekvence umístění kamer výrazně vzroste, i při zohlednění všech omezujících faktorů stanfordskými výzkumníky.

Frekvence kamer pro dohled vzroste přímo úměrně zvýšeným menšinovým demografickým ukazatelům v čtvrti, podle výzkumu Stanfordu.

Výzkum byl proveden ve dvou časových obdobích, 2011–2015 a 2016–2020. Přestože data ukazují konzistentní a někdy anomální růst umístění kamer pro dohled během devítiletého období, výzkumníci naznačují, že tato proliferace kamer pro dohled může dosáhnout “dočasné плато”.

Metodika

Výzkumníci nejprve sestavili dvě datové sady snímků Street View, z nichž jedna neobsahovala umístění kamer, a vygenerovali segmentační masky pro tyto.

Model segmentace byl vyškolován na těchto datech proti validační datové sadě (San Francisco – viz “Omezující faktory” níže).

Poté byl výstupní model spuštěn proti náhodným snímkům Street View, s veškerými pozitivními detekcemi kamer potvrzenými lidmi a odstraněnými falešnými pozitivy.

Vlevo, surový snímek z Google Street View. Další, přizpůsobená segmentační maska. Třetí, algoritmicky odvozená identifikace kamery. Vpravo, potvrzené umístění člověkem.

Nakonec rámec vypočítal úhel pohledu kamerových úhlů, aby odhadl rozsah pokrytí, seskupený proti stopám budov a specifikacím silniční sítě.

Další přispívající data pro tuto matici zahrnovala specifikace budov z OpenStreetMap a použití map sčítání lidu ve Spojených státech, aby se zajistilo, že studie je omezena na administrativní hranice každého města. Kromě toho projekt využil data o umístění kamer v San Francisku ze studie Electronic Frontier Foundation (EFF), s přístupem k snímkům Google Street View prostřednictvím Static API.

Výzkumníci odhadli pokrytí výpočtem úhlu pohledu kamer Google Street View proti datům z OpenStreetMap.

Omezující faktory

Výzkumníci uznávají řadu omezujících faktorů, které by měly být zohledněny při přehledu výsledků.

První, že kamery identifikované systémem strojového učení byly následně potvrzeny nebo vyvráceny lidskou kontrolou, a že tato kontrola je omylný proces.

Druhý, že studie byla omezena dostupným rozlišením snímků Street View, které omezilo výzkumníky na identifikaci kamer umístěných do 30 metrů od POV. To nejen znamená, že některé kamery mohly být “vynalezeny” kvůli omezenému rozlišení, ale také, že mnoho kamer mimo tuto sféru (jako jsou kamery ve vysoké úrovni, maskované umístění a mikro-kamery v zvoncích) pravděpodobně nebyly identifikovány.

Nakonec, odhad city-specifického modelu recall může být omezujícím faktorem pro přesnost výsledků, protože město San Francisco, kde byla frekvence kamer pro dohled již dříve označena v předchozí práci EFF, byla použita pro další jurisdikce, aby se studie stala proveditelnou.