Määrittämällä videovallinnan laajuus Google Street View -tietojen avulla

Google Street View’n jatkuva kattavuus maailman kulkureiteistä edustaa mahdollisesti täydellisintä, johdonmukaisinta ja yhtenäisintä visuaalista tallennetta globaalista yhteiskunnasta, lukuun ottamatta maita, jotka kieltävät etsintäjätin liikkuvat datakerääjäajoneuvot.

Google Mapsin infrastruktuurin tuottoisa avustaja, Google Street View -panoptikon on rikas dataesi machine learning -analyysiin. Sen kyvyn lisäksi tallentaa tahattomasti rikoksia, sitä on käytetty arvioimaan alueellista tuloa autojen laadun perusteella Google Street View -kuvissa, arvioimaan vihreyttä urbaaneissa ympäristöissä, tunnistamaan sähköpylväitä, luokittelemaan rakennuksia ja arvioimaan Yhdysvaltojen naapurustojen demografisen koostumuksen, monien muiden aloitteiden ohella.

Rajoitetut tilastot valvontakameroiden leviämisestä Yhdysvalloissa

Huolimatta laajasta Google Mapsin datan käytöstä sosiaalisesti tietoisissa machine learning -aloitteissa, on vain muutamia Street View -pohjaisia tietoja, jotka sisältävät merkittyjä esimerkkejä valvontakameroista. Mapillary Vistas -tieto on yksi harvoista saatavilla olevista, jotka tarjoavat tämän toiminnallisuuden, vaikka se sisältää vähemmän kuin 20 merkittyä julkista videokameraa Yhdysvalloissa.

Suurin osa videovallinnan infrastruktuurista Yhdysvalloissa leikkaa valtion kanssa vain silloin, kun viranomaiset vaativat vahvistavaa kuvamateriaalia paikallisten tapahtumien jälkeen, jotka saattavat olla tallennettuina. Zonimääräysten lisäksi ja yksityisen valvonnan yhteydessä julkisissa tiloissa, joissa yksityisyyslait eivät tee paljonkaan yksityisen valvonnan osalta, ei ole liittovaltion hallinnollista kehykstä, joka voisi tarjota kovia tilastoja julkisissa kameroiden määrästä Yhdysvalloissa.

Anekdoottiset tiedot ja rajoitetut kyselyt väittävät, että videokameroiden leviäminen Yhdysvalloissa saattaa olla samaa luokkaa kuin Kiinassa, mutta se ei ole helppoa todistaa.

Videokameroiden tunnistaminen Google Street View -kuvissa

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

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

Laskettuna videokameroiden tiheyden mukaan, Boston on listan kärjessä Yhdysvaltain kaupungeista, joita tutkittiin tutkimuksessa, ja sillä on 0,63:n tiheys ja yhteensä 1 600 kameraa. Vaikka siinä on vähemmän kameroita kuin New Yorkissa (10 100), ne ovat jakautuneet laajemmalle alueelle. Lähde: https://arxiv.org/pdf/2105.01764.pdf

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

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

Muiden rajoittavien tekijöiden ohella, jotka vaikuttavat tutkimuksen tarkkuuteen (joista puhumme myöhemmin), tutkijat huomauttavat, että asuinalueilla olevat kamerat ovat kolme kertaa vaikeampia tunnistaa kuin ne, jotka on sijoitettu julkisiin puistoihin, teollisuusalueisiin ja sekajärjestelmien vyöhykkeisiin – luultavasti siksi, että “ehdottamisen” vaikutus on yhä vastustamattomampi tai kiistanalainen asuinalueilla, mikä tekee naamioitujen tai huomaamattomien sijoitusten todennäköisemmiksi.

Ottaen huomioon tutkitut kaupungit Euroopassa ja Aasiassa, Soul on ensimmäinen kaupunki valvontakameroiden määrässä, ja Pariisi on sen jäljessä.

Siellä, missä vyöhykeellä on väestönlaskennan määrittelemä enemmistö etnisiä tai vähemmistöryhmiä, kameroiden sijoittumisen tiheys nousee merkittävästi, vaikka kaikki lieventävät tekijät on otettu huomioon Stanfordin tutkijoiden toimesta.

Valvontakameroiden tiheys nousee suoraan verrannollisesti kasvavaan vähemmistöjen määrään naapurustossa, Stanfordin tutkimuksen mukaan.

Tutkimus suoritettiin kahdessa aikajaksossa, 2011-2015 ja 2016-2020. Vaikka tiedot osoittavat johdonmukaista ja joskus poikkeavaa kasvua valvontakameroiden sijoittumisessa yhdeksän vuoden aikana, tutkijat ehdottavat, että tämä valvontakameroiden leviäminen saattaa olla “väliaikainen tasapaino”.

Menetelmä

Tutkijat kokosivat aluksi kaksi tietojoukkoa Street View -kuvista, joista toisessa ei ollut videokameroiden sijoituksia, ja loivat segmentointimaskit näille. Segmentointimalli koulutettiin näillä tietoilla vastausdatan (San Franciscon – ks. “Rajoittavat tekijät” alla) vastaan.

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

Vasemmalla, raaka kuva Google Street View’sta. Seuraava, sovellettu segmentointimaski. Kolmas, algoritmisesti johdettu kameratunnistus. Oikealla, ihmisten vahvistama sijoitus.

Lopulta kehys laski kamerakulman kentän, jotta voitiin arvioida kattavuuden laajuus, ja se yhdistettiin rakennusten jäljille ja tienverkon määrittelyyn.

Muita avustavia tietoja tähän matriisiin kuului rakennusspecifikaatiot OpenStreetMapista ja Yhdysvaltain väestönlaskentakarttojen käyttäminen varmistamaan, että tutkimus rajoitettiin kunkin kaupungin hallinnollisiin rajoituksiin. Lisäksi projekti käytti San Franciscon kameran sijaintitietoja tutkimuksesta Electronic Frontier Foundation (EFF) -järjestöltä, ja Google Street View -kuvat käytettiin Static API:n kautta.

Tutkijat arvioivat kattavuutta laskemalla Google Street View -kameran kentän OpenStreetMapin tietojen kanssa.

Rajoittavat tekijät

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

Ensinnäkin, että kamerat, jotka machine learning -järjestelmä tunnisti, vahvistettiin tai kumottiin ihmisten toimesta, ja että tämä vahvistusprosessi on virheellinen prosessi.

Toiseksi, tutkimus rajoittui Street View -kuvien saatavilla olevaan resoluutioon, mikä rajoitti tutkijoita tunnistamaan kamerat, jotka on sijoitettu 30 metrin säteelle. Tämä tarkoittaa, että jotkut kamerat saattavat olla “keksitty” rajoitetun resoluution kautta, ja että monet muut, kuten korkeat kamerat, peitetyt sijoitukset ja mikrokamerat ovat oviaukeissa, eivät ole todennäköisesti tunnistettu.

Lopulta, kaupungikohtaisen mallin paluuarvon arviointi voi olla rajoittava tekijä tuloksien tarkkuudessa, koska San Franciscon kaupungissa, jossa valvontakameroiden tiheys oli jo aiemmin merkitty Electronic Frontier Foundationin (EFF) työssä, sovellettiin muihin hallintoihin, jotta tutkimus olisi ollut toteutettavissa.