Καθορίζοντας το Βάθος της Βίντεο Επίβλεψης Μέσω Δεδομένων Google Street View

Η συνεχής κάλυψη του Google Street View στους δρόμους του κόσμου 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 στα έσοδα του Google Maps, το Google Street View είναι một πλούσια πηγή δεδομένων για ανάλυση με μηχανική μάθηση. Εκτός από την ικανότητά του να καταγράφει ακούσια εγκληματικές ενέργειες, έχει χρησιμοποιηθεί για εκτίμηση του περιφερειακού εισοδήματος από την ποιότητα των αυτοκινήτων στις εικόνες του Google Street View, αξιολόγηση της πρασίνου στις αστικές περιοχές, ταυτοποίηση των στηλών των υπηρεσιών, ταξινόμηση των κτιρίων και εκτίμηση της δημογραφικής σύνθεσης των γειτονιών των ΗΠΑ, μεταξύ πολλών άλλων πρωτοβουλιών.

Περιορισμένες Στατιστικές Για τη Διάχυση των Καμερών Επίβλεψης 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 επισημανθέντα παραδείγματα καμερών επίβλεψης. Το σύνολο δεδομένων Mapillary Vistas είναι ένα από τα λίγα διαθέσιμα που προσφέρουν αυτή τη λειτουργικότητα, αν και περιλαμβάνει λιγότερες από 20 επισημανθείσες δημόσιες βίντεο καμερές στις Ηνωμένες Πολιτείες.

Μέρος της υποδομής βίντεο επίβλεψης στις ΗΠΑ διασταυρώνεται με το Κράτος μόνο όταν οι αρχές ζητούν επιβεβαιωμένα βίντεο μετά από τοπικά περιστατικά που μπορεί να έχουν καταγραφεί. Πέρα από τους κανονισμούς ζώνης, και στο πλαίσιο των νόμων προστασίας της ιδιωτικής ζωής που δεν αντιμετωπίζουν αποτελεσματικά την ιδιωτική επίβλεψη των δημόσιων χώρων, δεν υπάρχει ομοσπονδιακό διοικητικό πλαίσιο που μπορεί να παρέχει σκληρά στατιστικά στοιχεία για τον αριθμό των καμερών που βλέπουν προς το εξωτερικό στις ΗΠΑ.

Ανεκδοτικά δεδομένα και περιορισμένες έρευνες υποστηρίζουν ότι η διάχυση των βίντεο καμερών στις ΗΠΑ μπορεί να είναι ισοδύναμη με αυτή της Κίνας, αλλά δεν είναι εύκολο να αποδειχθεί.

Ταυτοποίηση Βίντεο Καμερών στις Εικόνες του Google Street View

Λαμβάνοντας υπόψη την έλλειψη διαθέσιμων δεδομένων, ερευνητές από το Πανεπιστήμιο του Στάνφορντ έχουν διεξάγει μια μελέτη για τη συχνότητα και τη διάχυση των καμερών που βλέπουν προς το εξωτερικό που μπορούν να αναγνωριστούν στις 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, η Βοστώνη βρίσκεται στην κορυφή της λίστας των शहरών 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) που διασκορπίζονται σε μεγαλύτερη περιοχή. Πηγή: https://arxiv.org/pdf/2105.01764.pdf

Από τα αμερικανικά πόλεις, η Βοστώνη βρέθηκε να έχει την υψηλότερη πυκνότητα των αναγνωρισμένων καμερών, ενώ η Νέα Υόρκη έχει τον υψηλότερο αριθμό καμερών, 10.100, που διασκορπίζονται σε μεγαλύτερη απόσταση. Στην Ασία, το Τόκιο έχει ένα τεράστιο 21.700 εκτιμώμενες καμερές, αλλά η Σεούλ έχει μικρότερο αριθμό καμερών (13.900) που είναι πιο πυκνά συγκεντρωμένες. Παρόλο που 13.000 καμερές αναγνωρίστηκαν για τις εικόνες του Street View του Λονδίνου, η Παρίσι ξεπερνά αυτήν και στην πυκνότητα της 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 (που θα αναφερθούμε παρακάτω), οι ερευνητές παρατηρούν ότι οι καμερές στις κατοικημένες περιοχές είναι τρεις φορές πιο δύσκολο να αναγνωριστούν από εκείνες που τοποθετούνται σε δημόσιους πάρκους, βιομηχανικές περιοχές και ζώνες μικτής χρήσης – πιθανότατα επειδή ο αποτρεπτικός τους эфφέτος γίνεται ολοένα και πιο αμφισβητούμενος στις κατοικημένες 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 επιτηρούμενη αστική περιοχή, με την Παρίσι να ακολουθεί κοντά.

Όταν μια ζώνη έχει πλειοψηφία εθνοτικών ή μειονοτικών κατοίκων, η συχνότητα των τοποθετήσεων καμερών αυξάνεται σημαντικά, ακόμη και με όλους τους μετριαστικούς παράγοντες που λαμβάνονται υπόψη από τους ερευνητές του Στάνφορντ.

Η συχνότητα των καμερών επίβλεψης αυξάνεται ανάλογα με την αύξηση της μειονοτικής δημογραφίας σε μια γειτονιά, σύμφωνα με την έρευνα του Στάνφορντ.

Η έρευνα διεξήχθη σε δύο χρονικές περιόδους, 2011-2015 και 2016-2020. Παρόλο που τα δεδομένα δείχνουν συνεπή και μερικές φορές ανωμαλή αύξηση της τοποθέτησης καμερών επίβλεψης κατά τη διάρκεια των εννέα ετών, οι ερευνητές υποστηρίζουν ότι αυτή η εξάπλωση των καμερών επίβλεψης μπορεί να έχει φτάσει σε một “προσωρινό πιάτο”.

Μέθοδος

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

Στη συνέχεια, το μοντέλο εξόδου εκτελέστηκε σε τυχαίες εικόνες του Street View, με όλες τις θετικές ανιχνεύσεις καμερών που επιβεβαιώθηκαν από ανθρώπους και αφαιρέθηκαν οι ψευδείς θετικές.

Αριστερά, η原始 εικόνα από το Google Street View. Επόμενο, η προσαρμοσμένη μάσκα διαχωρισμού. Τρίτο, μια ανίχνευση καμερών που προέρχεται από αλγόριθμο. Δεξιά, μια τοποθέτηση που έχει επικυρωθεί από ανθρώπους.

Τέλος, το πλαίσιο υπολόγισε την οπτική γωνία των γωνιών των καμερών που συμμετείχαν για να εκτιμήσει το βαθμό της κάλυψης, συγκεντρωμένο ενάντια στα αποτυπώματα των κτιρίων που συμμετείχαν και τις προδιαγραφές του δρόμου.

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

Οι ερευνητές εκτίμησαν την κάλυψη υπολογίζοντας την οπτική γωνία των καμερών του Google Street View ενάντια στα δεδομένα του OpenStreetMap.

Περιοριστικοί Παράγοντες

Οι ερευνητές παραδέχονται μια σειρά από περιοριστικούς παράγοντες 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 αμφίβολη διαδικασία.

Δεύτερον, η μελέτη περιορίστηκε 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 δεν μόνο σημαίνει ότι κάποιες καμερές μπορεί να έχουν “εφευρεθεί” μέσω της περιορισμένης ανάλυσης, αλλά και ότι πολλές εκτός αυτής της εμβέλειας (όπως υψηλής στάθμης καμερές, καμουφλαρισμένες τοποθετήσεις και μικρο-καμερές σε τοποθετήσεις κουδουνιών) 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 η πόλη της Σαν Φρανσίσκο, όπου η συχνότητα των καμερών επίβλεψης είχε ήδη επισημανθεί σε προηγούμενη εργασία από το EFF, εφαρμόστηκε σε άλλες δικαιοδοσίες για να κάνει τη μελέτη εφικτή.