Καθορίζοντας το Επίπεδο των Συστημάτων Βίντεο Παρακολούθησης Μέσω Δεδομένων του Google Street View

Η συνεχής κάλυψη των οδών του κόσμου από το Google Street View αντιπροσωπεύει πιθανώς το πιο πλήρες, συνεπές και συνεκτικό οπτικό αρχείο της παγκόσμιας κοινωνίας, με την εξαίρεση των χωρών που επιβάλλουν απαγορεύσεις στα οχήματα συλλογής δεδομένων της εταιρείας.

Ως συνεισφορά που παράγει έσοδα για την υποδομή του Google Maps, το πάνοπτικον του Google Street View είναι ένας πλούσιος ορυκτός τόπος για ανάλυση με τη χρήση μηχανικής μάθησης. Εκτός από την ικανότητά του να καταγράφει ακούσια εγκληματικές ενέργειες, έχει χρησιμοποιηθεί για εκτίμηση του εθνικού εισοδήματος από την ποιότητα των αυτοκινήτων στις εικόνες του Google Street View, αξιολόγηση της πρασίνου σε αστικές περιοχές, ταυτοποίηση στηλών, ταξινόμηση κτιρίων και εκτίμηση της δημογραφικής σύνθεσης των γειτονιών στις Ηνωμένες Πολιτείες, μεταξύ πολλών άλλων πρωτοβουλιών.

Περιορισμένες Στατιστικές για τη Διάδοση των Καμερών Παρακολούθησης στις Ηνωμένες Πολιτείες

Παρά την ευρεία χρήση των δεδομένων του Google Maps για πρωτοβουλίες μηχανικής μάθησης που είναι ευαισθητοποιημένες κοινωνικά, υπάρχουν πολύ λίγα σύνολα δεδομένων που βασίζονται στο Street View και περιλαμβάνουν επισημασμένα παραδείγματα καμερών παρακολούθησης. Το σύνολο δεδομένων Mapillary Vistas είναι μεταξύ του μικρού αριθμού διαθέσιμων που προσφέρουν αυτή τη λειτουργικότητα, αν και περιλαμβάνει λιγότερες από 20 επισημασμένες δημόσιες βίντεο καμερές στις Ηνωμένες Πολιτείες.

ΜUCH του υποδομής βίντεο παρακολούθησης στις ΗΠΑ διασχίζει το Κράτος μόνο όταν οι αρχές απαιτούν επιβεβαιωμένα βίντεο μετά από τοπικά περιστατικά που μπορεί να έχουν καταγραφεί. Πέρα από τους κανονισμούς ζώνης, και στο контέκστ των νόμων που προστατεύουν την ιδιωτική ζωή και δεν αντιμετωπίζουν αποτελεσματικά την ιδιωτική παρακολούθηση των δημόσιων χώρων, δεν υπάρχει ομοσπονδιακό διοικητικό πλαίσιο που μπορεί να παρέχει σκληρά στατιστικά στοιχεία για τον αριθμό των δημόσιων καμερών στις ΗΠΑ.

Αναφορές και περιορισμένες έρευνες υποστηρίζουν ότι η διάδοση των βίντεο καμερών στις ΗΠΑ μπορεί να είναι ισχυρή όσο στην Κίνα, αλλά δεν είναι εύκολο να αποδειχθεί.

Ταυτοποίηση Βίντεο Καμερών σε Εικόνες του Google Street View

Λαμβάνοντας υπόψη αυτήν την έλλειψη διαθέσιμων δεδομένων, ερευνητές από το Πανεπιστήμιο του Στάνφορντ έχουν διεξάγει μια μελέτη για τη συχνότητα και τη διάδοση των δημόσιων βίντεο καμερών που μπορούν να αναγνωριστούν σε εικόνες του Google Street View.

Οι ερευνητές δημιούργησαν ένα πλαίσιο ανίχνευσης καμερών που αξιολόγησε 1,6 εκατομμύρια εικόνες του Google Street View σε 10 μεγάλες πόλεις των ΗΠΑ και έξι άλλες μεγάλες πόλεις στην Ασία και την Ευρώπη.

Σε φθίνουσα σειρά πυκνότητας καμερών, η Βοστώνη βρίσκεται στην κορυφή του καταλόγου των πόλεων των ΗΠΑ που εξετάστηκαν στην έρευνα, με πυκνότητα 0,63 και συνολικό αριθμό καμερών 1.600. Παρόλα αυτά, η Νέα Υόρκη έχει πολύ περισσότερες καμερές (10.100) διασκορπισμένες σε μεγαλύτερη απόσταση. Source: https://arxiv.org/pdf/2105.01764.pdf

Από τις πόλεις των ΗΠΑ, η Βοστώνη βρέθηκε να έχει την υψηλότερη πυκνότητα αναγνωρισμένων καμερών, ενώ η Νέα Υόρκη έχει τον υψηλότερο αριθμό καμερών, 10.100, διασκορπισμένες σε μεγαλύτερη απόσταση. Στην Ασία, το Τόκιο έχει einen τεράστιο αριθμό 21.700 εκτιμώμενων καμερών, αλλά η Σεούλ έχει μικρότερο αριθμό καμερών (13.900) που είναι πιο πυκνοκατοικημένες. Αν και 13.000 καμερές αναγνωρίστηκαν για εικόνες του Street View του Λονδίνου, το Παρίσι ξεπερνά αυτό και σε όρους αναγνωρισμένων τοποθεσιών (13.000) και πυκνότητας κάλυψης.

Οι ερευνητές παρατηρούν ότι η πυκνότητα των καμερών ποικίλλει ευρέως μεταξύ των γειτονιών και των ζωνών των πόλεων.

Μεταξύ άλλων περιοριστικών παραγόντων για την ακρίβεια της έρευνας (τα οποία θα αναφέρουμε), οι ερευνητές παρατηρούν ότι οι καμερές σε οικιστικές περιοχές είναι τρεις φορές πιο δύσκολο να αναγνωριστούν από εκείνες που τοποθετούνται σε δημόσιους πάρκους, βιομηχανικές περιοχές και περιοχές μεικτής χρήσης – πιθανότατα επειδή ο ‘απωθητικός’ παράγοντας γίνεται ολοένα και πιο αμφισβητούμενος στις οικιστικές ζώνες, καθιστώντας τις καμουφλαρισμένες ή διακριτικές τοποθετήσεις πιο πιθανές.

Λαμβάνοντας υπόψη τις πόλεις που μελετήθηκαν στην Ευρώπη και την Ασία, η Σεούλ έχει την πρώτη θέση ως η πιο παρακολουθούμενη αστική περιοχή, με το Παρίσι να ακολουθεί κοντά.

Όπου μια ζώνη έχει πλειοψηφία εθνοτικών ή μειονοτικών κατοίκων, σύμφωνα με την απογραφή, η συχνότητα των τοποθετήσεων καμερών αυξάνεται σημαντικά, ακόμη και με όλα τα μετριαστικά παράγοντες που λαμβάνονται υπόψη από τους ερευνητές του Στάνφορντ.

Η συχνότητα των καμερών παρακολούθησης αυξάνεται ανάλογα με την αύξηση των μειονοτικών δημογραφικών σε μια γειτονιά, σύμφωνα με την έρευνα του Στάνφορντ.

Η έρευνα διεξήχθη σε δύο χρονικές περιόδους, 2011–2015 και 2016–2020. Αν και τα δεδομένα δείχνουν συνεπή και μερικές φορές ανωμαλή αύξηση της τοποθέτησης καμερών παρακολούθησης κατά τη διάρκεια του εννεαετούς периού, οι ερευνητές υποστηρίζουν ότι αυτή η εξάπλωση των καμερών παρακολούθησης μπορεί να έχει φτάσει σε một «προσωρινό πठάρι».

Μεθοδολογία

Οι ερευνητές αρχικά συγκέντρωσαν δύο σύνολα δεδομένων από εικόνες του Street View, ένα από τα οποία δεν περιείχε τοποθετήσεις βίντεο καμερών, και δημιούργησαν μάσκες τμηματοποίησης για αυτά. Ένα μοντέλο τμηματοποίησης εκπαιδεύτηκε σε αυτά τα σύνολα δεδομένων έναντι ενός συνόλου επικύρωσης (της πόλης του Σαν Φρανσίσκο – δείτε ‘Περιοριστικοί Παράγοντες’ παρακάτω).

Στη συνέχεια, το μοντέλο εξόδου εκτελέστηκε έναντι τυχαίων εικόνων του Street View, με όλες τις θετικές ανιχνεύσεις καμερών που επιβεβαιώθηκαν από ανθρώπους και τις ψευδείς θετικές που αφαιρέθηκαν.

Αριστερά, η αρχική εικόνα από το Google Street View. Επόμενο, η προσαρμοσμένη μάσκα τμηματοποίησης. Τρίτο, μια αναγνώριση καμερών που προέρχεται από αλγόριθμο. Δεξιά, μια τοποθέτηση που έχει επιβεβαιωθεί από ανθρώπους.

Τέλος, το πλαίσιο υπολόγισε την οπτική γωνία των γωνιών των καμερών που συμμετείχαν για να εκτιμήσει το βαθμό κάλυψης, συλλέγοντας ενάντια στις αποτυπώσεις των κτιρίων που συμμετείχαν και τις προδιαγραφές του δρόμου.

Άλλα συνεισφέρουσες δεδομένα για αυτό το πλέγμα περιλαμβάνουν προδιαγραφές κτιρίων από το OpenStreetMap, και τη χρήση χαρτών απογραφής των ΗΠΑ για να διασφαλιστεί ότι η μελέτη περιορίζεται στα διοικητικά όρια κάθε πόλης. Επιπλέον, το έργο χρησιμοποίησε δεδομένα τοποθεσίας καμερών του Σαν Φρανσίσκο από μια μελέτη από το Electronic Frontier Foundation (EFF), με τις εικόνες του Google Street View να προσεγγίζονται μέσω του Static API.

Οι ερευνητές εκτίμησαν την κάλυψη υπολογίζοντας την οπτική γωνία των καμερών του Google Street View έναντι δεδομένων από το OpenStreetMap.

Περιοριστικοί Παράγοντες

Οι ερευνητές παραδέχονται eine σειρά περιοριστικών παραγόντων που πρέπει να ληφθούν υπόψη κατά την ανασκόπηση των αποτελεσμάτων.

Πρώτον, ότι οι καμερές που αναγνωρίστηκαν από το σύστημα μηχανικής μάθησης επιβεβαιώθηκαν ή ανεγνώριστηκαν από ανθρώπινη ανασκόπηση, και ότι αυτή η ανασκόπηση είναι μια αλλοίωτη διαδικασία.

Δεύτερον, η μελέτη περιοριζόταν από την διαθέσιμη ανάλυση των εικόνων του Street View, η οποία περιόρισε τους ερευνητές να αναγνωρίζουν καμερές που τοποθετούνται εντός τριάντα μέτρων από την οπτική γωνία. Αυτό όχι μόνο σημαίνει ότι κάποιες καμερές μπορεί να έχουν ‘εφευρεθεί’ μέσω περιορισμένης ανάλυσης, αλλά και ότι πολλές εκτός αυτής της προοπτικής (όπως υψηλής στάθμης καμερές, αποκρυμμένες τοποθετήσεις και μικρο-καμερές σε κουδούνια πορτών) είναι πιθανό να μην έχουν αναγνωριστεί.

Τέλος, η εκτίμηση της ανακλησιμότητας του μοντέλου για κάθε πόλη μπορεί να είναι ένας περιοριστικός παράγοντας στην ακρίβεια των αποτελεσμάτων,既然 το Σαν Φρανσίσκο, όπου η συχνότητα των καμερών παρακολούθησης είχε ήδη επισημανθεί σε προηγούμενη εργασία από το EFF, εφαρμόστηκε σε άλλες δικαιοδοσίες για να κάνει την έρευνα εφικτή.