Bestemmelse af Omfanget af Videoovervågning Gennem Google Street View Data

Google Street Views kontinuerlige dækning af verdens gadebaner repræsenterer muligvis den mest komplette, konsekvente og koherente visuelle optagelse af det globale samfund, med undtagelse af lande, der indfører forbud på søgejættens vagende dataindsamlingskøretøjer.

Som en indtægtsgenererende bidragsyder til Google Maps’ infrastruktur er Google Street View-panoptikon en rig dataåre for maskinlæringsanalyse. Ud over dets evne til ufrivilligt at fange kriminelle handlinger, er det blevet brugt til at estimere regional indtægt fra bilkvalitet i Google Street View-billeder, at evaluere grønt område i urbane miljøer, at identificere elmaster, at klassificere bygninger og at estimere den demografiske sammensætning af US-kvarterer, blandt mange andre initiativer.

Begrænsede Statistikker Om Overvågningskameraer I USA

Trods vidt anvendelse af Google Maps-data til sociale bevidste maskinlæringsinitiativer, er der meget få Street View-baserede datasæt, der indeholder markerede eksempler på overvågningskameraer. Mapillary Vistas-datasættet er blandt det lille antal tilgængelige, der tilbyder denne funktion, selvom det kun indeholder mindre end 20 markerede offentlige videokameraer i USA.

Meget af videoovervågningsinfrastrukturen i USA krydser kun staten, når myndighederne kræver bekræftende optagelser efter lokale begivenheder, der måske er optaget. Ud over zonereguleringslove og i sammenhæng med permissive privatlivslove, der ikke gør meget for at tackle privat overvågning af offentlige rum, er der ingen føderal administrativ ramme, der kan give hårdt statistik om antallet af offentlige kameraer i USA.

Anekdotiske data og begrænsede undersøgelser påstår, at videokameraudbredelse i USA kan være på linje med Kina, men det er ikke let at bevise.

Identificering Af Videokameraer I Google Street View-Billeder

Med hensyn til denne mangel på tilgængelige data, har forskere fra Stanford University gennemført en undersøgelse om udbredelsen, hyppigheden og distributionen af offentlige videokameraer, der kan identificeres i Google Street View-billeder.

Forskerne oprettede en kamera-detektionsramme, der vurderede 1,6 millioner Google Street View-billeder i 10 større amerikanske byer og seks andre større byer i Asien og Europa.

I faldende rækkefølge af kameratæthed, toppes listen over de amerikanske byer, der er undersøgt i forskningen, med en seneste eller nuværende tæthed på 0,63 og et samlet antal kameraer på 1.600. Trods dette har New York City langt flere kameraer (10.100) fordelt over et større område. Kilde: https://arxiv.org/pdf/2105.01764.pdf

Af amerikanske byer blev Boston fundet at have den højeste tæthed af identificerede kameraer, mens New York City har det højeste antal kameraer med 10.100, fordelt over en større distance. I Asien har Tokyo en massiv 21.700 estimerede kameraer, men Seoul har et mindre antal kameraer (13.900) koncentreret langt mere tæt. Selvom 13.000 kameraer blev identificeret for Street View-billeder af London, slår Paris dette både i antal af identificerede placeringer (13.000) og tæthed af dækning.

Forskerne observerer, at kameratætheden varierer bredt mellem kvarterer og zoner i byerne.

Blandt andre begrænsende faktorer for nøjagtigheden af undersøgelsen (som vi kommer til), observerer forskerne, at kameraer i beboelsesområder er tre gange mere vanskelige at identificere end dem, der er placeret i offentlige parker, industriområder og blandede zoner – sandsynligvis fordi “afskrækkelses”-effekten er mere og mere kontroversiel i beboelsesområder, hvilket gør kamuflerede eller diskrete placeringer mere sandsynlige.

Ved at tage hensyn til de byer, der er studeret i Europa og Asien, har Seoul førsteplassen som den mest overvågede urbane miljø, med Paris ikke langt efter.

Hvor et område har en folketællingsdefineret majoritet af etniske eller minoritetsbeboere, stiger hyppigheden af kameraplaceringer betydeligt, selv med alle formildende faktorer taget i betragtning af Stanford-forskerne.

Overvågningskamerahyppighed stiger i direkte forhold til øget minoritetsdemografi i et kvarter, ifølge Stanford-forskningen.

Undersøgelsen blev gennemført over to tidsperioder, 2011-2015 og 2016-2020. Selvom data viser en konsekvent og nogen gang aberrant vækst i overvågningskameraplacering over de ni år, foreslår forskerne, at denne udbredelse af overvågningskameraer måske har nået en “midlertidig plateau”.

Metode

Forskerne kompilerede initialt to datasæt af Street View-billeder, hvoraf det ene ikke indeholdt videokameraoplaceringer, og genererede segmenteringsmasker for disse. En segmenteringsmodel blev trænet på disse datasæt mod en valideringsdatasæt (af San Francisco – se ‘Begrænsende Faktorer’ nedenfor).

Derefter blev outputmodellen kørt mod tilfældige Street View-billeder, med alle positive kameradetektioner bekræftet af mennesker, og falske positive fjernet.

Venstre, det rå billede fra Google Street View. Næste, den tilpassede segmenteringsmaske. Tredje, en algoritme-afledt kameraidentifikation. Højre, en menneske-verificeret placering.

Til sidst beregnede rammen synsfeltet af kameravinklerne for at estimere omfanget af dækning, sammenfaldt med bygningers fodaftryk og vejnetværkets specifikationer.

Andre bidragende data til denne matrix inkluderede bygningsspecifikationer fra OpenStreetMap og brugen af US-folketællingskort for at sikre, at studiet var begrænset til de administrative grænser for hver by. Derudover brugte projektet San Francisco-kameraplaceringdata fra en undersøgelse af Electronic Frontier Foundation (EFF), med Google Street View-billederne adgang via Static API.

Forskerne estimerede dækning ved at beregne synsfeltet af Google Street View-kameraer mod data fra OpenStreetMap.

Begrænsende Faktorer

Forskerne indrømmer en række begrænsende faktorer, der skal tages i betragtning, når resultaterne gennemgås.

Først og fremmest, at kameraerne, der blev identificeret af maskinlærings-systemet, alle efterfølgende blev verificeret eller negateret af menneskelig gennemgang, og at denne gennemgang er en fejlbarlig proces.

For det andet var studiet begrænset af den tilgængelige opløsning af Street View-billederne, der begrænsede forskerne til at identificere kameraer placeret inden for tredive meter fra POV. Dette betyder ikke kun, at nogle kameraer kan være “opfundet” gennem begrænset opløsning, men også, at mange uden for denne ramme (såsom højtliggende kameraer, skjulte placeringer og mikrokameraer i dørklokkeindstillinger) sandsynligvis ikke er blevet identificeret.

Til sidst kan estimering af by-specifik model-genkald en begrænsende faktor for nøjagtigheden af resultaterne, da byen San Francisco, hvor overvågningskamerahyppighed allerede var markeret i tidligere arbejde fra EFF, blev anvendt på andre jurisdiktioner for at gøre studiet gennemførligt.