Videonvalvontakameroiden laajuuden määrittäminen Google Street View -tiedoston avulla

Google Street Viewn jatkuva kattavuus maailman katuverkkoon edustaa mahdollisesti maailman yhteiskunnan visuaalisesti täydellisintä, johdonmukaisinta ja yhtenäisintä rekisteriä, lukuun ottamatta maita, jotka kieltävät Googlen liikkuvat tiedonkeruupalvelut.

Googlen karttapalvelun infrastruktuurin kannattava osuus, Google Street View -panoptikon on rikas data-kaivos koneoppimisen analyysille. Sen kykyä havaita tahattomasti rikoksia lukuun ottamatta, sitä on käytetty arvioimaan alueellista tuloa auton laadun perusteella Google Street View -kuvissa, arvioimaan vihreää kaupunkiympäristössä, tunnistamaan sähköpylväitä, luokittelemaan rakennuksia ja arvioimaan Yhdysvaltojen naapurustojen demografisen koostumuksen, muun muassa.

Rajoitetut tilastot videonvalvontakameroiden leviämisestä Yhdysvalloissa

Vaikka Google Mapsin dataa on laajasti käytetty sosiaalisesti tietoisen koneoppimisen aloitteissa, on vain muutamia Street View -pohjaisia tietoja, jotka sisältävät merkittyjä esimerkkejä valvontakameroista. Mapillary Vistas -tieto on yksi harvoista saatavilla olevista tietoista, jotka tarjoavat tämän toiminnallisuuden, vaikka se sisältää vähemmän kuin 20 merkittyä julkista videokameraa Yhdysvalloissa.

Suurin osa Yhdysvaltain videonvalvontainfrastruktuurista rajoittuu valtion kanssa vain, kun viranomaiset vaativat vahvistavaa kuvamateriaalia paikallisten tapahtumien jälkeen, jotka saattavat olla tallennettuina. Zonimääräyksien lisäksi ja yksityisen valvonnan yhteydessä julkisissa tiloissa, joissa yksityiset lait ovat vähän säänneltyjä, ei ole liittovaltiollista hallinnollista kehystä, joka voisi tarjota kovia tilastoja julkisissa kameroiden määrästä Yhdysvalloissa.

Anekdoottiset tiedot ja rajoitetut kyselyt väittävät, että videokameroiden leviäminen Yhdysvalloissa saattaa olla Kiinan tasolla, mutta se ei ole helppo todistaa.

Videonkameroiden tunnistaminen Google Street View -kuvissa

Tämän puutteen vuoksi saatavilla olevissa tiedoissa Stanfordin yliopiston tutkijat suorittivat tutkimuksen julkisesti näkyvien videokameroiden yleisyydestä, tiheydestä ja jakautumisesta, jotka voidaan tunnistaa Google Street View -kuvissa.

Tutkijat loivat kameratunnistuskehyksen, joka arvioi 1,6 miljoonaa Google Street View -kuvaa kymmenessä suuressa Yhdysvaltain kaupungissa ja kuudessa muussa suuressa kaupungissa Aasiassa ja Euroopassa.

Laskeva järjestyksessä kameratiheyden mukaan Boston on listan kärjessä Yhdysvaltain kaupungeista, joita tutkimuksessa tarkasteltiin, viimeisimmän tai nykyisen tiheyden ollessa 0,63 ja kameroiden kokonaismäärän ollessa 1 600. Vaikka näin on, New Yorkissa on paljon enemmän kameroita (10 100) laajemmalla alueella. Lähde: https://arxiv.org/pdf/2105.01764.pdf

Yhdysvaltain kaupungeista Bostonissa havaittiin olevan korkein tiheys tunnistetuista kameroiden, kun taas New Yorkissa on eniten kameroita 10 100, jotka on sijoiteltu laajemmalle alueelle. Aasiassa Tokiossa on arviolta 21 700 kameraa, mutta Soulissa on vähemmän kameroita (13 900) keskittyneemmin. Vaikka 13 000 kameraa tunnistettiin Lontoon Street View -kuvista, Pariisi voittaa sekä tunnistettujen sijoitusten (13 000) että kattavuuden tiheyden.

Tutkijat huomauttavat, että kameratiheys vaihtelee laajasti kaupunkien naapurustojen ja vyöhykkeiden välillä.

Muiden rajoittavien tekijöiden joukossa, jotka vaikuttavat tutkimuksen tarkkuuteen (joista puhutaan myöhemmin), tutkijat huomauttavat, että asuinalueilla olevat kamerat ovat kolme kertaa vaikeampia tunnistaa kuin ne, jotka on sijoitettu julkisiin puistoihin, teollisuusalueisiin ja sekamuotoisiin vyöhykkeisiin – luultavasti siksi, että ”ehkäisevä” vaikutus on yhä kiistanalaisempi asuinalueilla, mikä tekee naamioitujen tai huomaamattomien sijoitusten todennäköisemmiksi.

Kaupunkien tutkimisen ollessa Euroopassa ja Aasiassa, Soulilla on ykkössija kaupunkien valvontatiheydessä, Pariisi ei ole kaukana.

Siellä, missä vyöhykeellä on väestönlaskennan määrittämä enemmistö etnisiä tai vähemmistöryhmiä, kameroiden tiheys nousee merkittävästi, huomioon ottaen kaikki lieventävät tekijät, jotka Stanfordin tutkijat ottivat huomioon.

Videonvalvontakameroiden tiheys nousee suoraan verrannollisesti vähemmistödemografiikan lisääntymiseen naapurustossa, Stanfordin tutkimuksen mukaan.

Tutkimus suoritettiin kahden aikajakson aikana, 2011–2015 ja 2016–2020. Vaikka tiedot osoittavat johdonmukaista ja toisinaan poikkeavaa kasvua videonvalvontakameroiden sijoittamisessa yhdeksän vuoden aikana, tutkijat ehdottavat, että videonvalvontakameroiden leviäminen saattaa olla ”tilapäinen tasapainotila”.

Menetelmä

Tutkijat kokosivat aluksi kaksi tietojoukkoa Street View -kuvista, joista toisessa ei ollut videokameroiden sijoituksia, ja loivat niille segmentointimaskit. Segmentointimalli koulutettiin näillä tietoilla validointitietojoukkoa (San Francisco – ks. ”Rajoittavat tekijät” alla) vasten.

Sitten tulostemalli suoritettiin satunnaisilla Street View -kuvilla, ja kaikki positiiviset kamerahavainnot vahvistettiin ihmisten toimesta, ja virheelliset havainnot poistettiin.

Vasemmalla, raaka kuva Google Street Viewsta. Seuraavaksi sovellettu segmentointimaski. Kolmanneksi algoritmien avulla johdettu kameratunniste. Oikealla, ihmisten vahvistama sijoitus.

Lopuksi kehys laski kamerakulmien näkökulman, jotta voitiin arvioida kattavuuden laajuutta, ja se yhdistettiin rakennusten jalanjälkiin ja tienverkoston määrittelyyn.

Muita tämän matriisin avaindataa olivat rakennusten määritykset OpenStreetMapista, ja Yhdysvaltain väestönlaskentakarttojen käyttäminen varmistamaan, että tutkimus rajoitettiin kunkin kaupungin hallinnollisiin rajoituksiin. Lisäksi projekti käytti San Franciscon kamerasijaintitietoja Electronic Frontier Foundationin (EFF) tutkimuksesta, ja Google Street View -kuvat käytettiin Static API:n kautta.

Tutkijat arvioivat kattavuutta laskemalla Google Street View -kameroiden näkökulman OpenStreetMapin tietojen avulla.

Rajoittavat tekijät

Tutkijat myöntävät useita rajoittavia tekijöitä, jotka tulisi ottaa huomioon tuloksia tarkasteltaessa.

Ensinnäkin, kamerat, jotka koneoppimisjärjestelmä tunnisti, vahvistettiin tai kumottiin ihmisten toimesta, ja tämä tarkastusprosessi on virheellinen.

Toiseksi tutkimus rajoitettiin Street View -kuvien saatavilla olevan resoluution mukaan, mikä rajoitti tutkijoita tunnistamaan kamerat, jotka on sijoitettu 30 metrin etäisyydelle. Tämä tarkoittaa, että jotkut kamerat saattavat olla ”keksittyjä” resoluution rajoitusten vuoksi, ja monet muut, jotka ovat tämän etäisyyden ulottumattomissa, eivät ole todennäköisesti tunnistettavissa.

Lopuksi kaupunkikohtaisen mallin palautusarvon arviointi voi olla rajoittava tekijä tuloksien tarkkuudelle, koska San Franciscon kaupungissa, jossa videonvalvontakameroiden tiheys oli jo aiemmin merkitty EFF:n aiemmassa tutkimuksessa, sovellettiin muihin hallintoihin, jotta tutkimus olisi ollut toteutettavissa.