वीडियो निगरानी के विस्तार का निर्धारण करने के लिए गूगल स्ट्रीट व्यू डेटा का उपयोग

गूगल स्ट्रीट व्यू दुनिया के मार्गों का निरंतर कवरेज संभवतः वैश्विक समाज का सबसे पूर्ण, सुसंगत और सुसंगत दृश्य रिकॉर्ड है, जिसमें उन देशों को छोड़कर जो गूगल के घूमने वाले डेटा-संग्रह वाहनों पर प्रतिबंध लगाते हैं।

गूगल मैप्स के बुनियादी ढांचे में एक राजस्व-उत्पादक योगदानकर्ता के रूप में, गूगल स्ट्रीट व्यू पैनोप्टिकॉन मशीन लर्निंग विश्लेषण के लिए एक समृद्ध डेटा सीम है। अपने अपराधिक कृत्यों को अनजाने में कैप्चर करने की प्रवृत्ति के अलावा, इसे क्षेत्रीय आय का अनुमान गूगल स्ट्रीट व्यू छवियों में कार गुणवत्ता से, शहरी वातावरण में हरियाली का मूल्यांकन, यूटिलिटी पोल की पहचान, इमारतों का वर्गीकरण और अमेरिकी पड़ोस की जनसांख्यिकीय संरचना का अनुमान लगाने के लिए उपयोग किया गया है, जिनमें से कई अन्य पहल हैं।

संयुक्त राज्य अमेरिका में निगरानी कैमरा प्रसार पर सीमित आंकड़े

गूगल मैप्स के डेटा का सामाजिक रूप से जागरूक मशीन लर्निंग पहलों के लिए व्यापक उपयोग के बावजूद, गूगल स्ट्रीट व्यू-आधारित डेटासेट जो निगरानी कैमरों के लेबल वाले उदाहरणों को शामिल करते हैं, उनकी संख्या बहुत कम है। मैपिलरी विस्टास डेटासेट उन कुछ उपलब्ध डेटासेट में से एक है जो यह कार्यक्षमता प्रदान करता है, हालांकि इसमें संयुक्त राज्य अमेरिका में 20 से कम लेबल वाले सार्वजनिक वीडियो कैमरे शामिल हैं।

संयुक्त राज्य अमेरिका में वीडियो निगरानी बुनियादी ढांचे का अधिकांश भाग केवल तभी राज्य के साथ मिलता है जब अधिकारी स्थानीय घटनाओं के बाद पुष्टि करने वाले फुटेज की मांग करते हैं जो हो सकता है कि रिकॉर्ड किया गया हो। ज़ोनिंग विनियमन के अलावा, और निजी निगरानी को संबोधित करने के लिए बहुत कम करने वाले गोपनीयता कानूनों के संदर्भ में, संयुक्त राज्य अमेरिका में सार्वजनिक स्थानों में सार्वजनिक सामने कैमरों की संख्या पर कठोर आंकड़े प्रदान करने वाला कोई संघीय प्रशासनिक ढांचा नहीं है।

अनुभवजन्य डेटा और सीमित सर्वेक्षणों का दावा है कि संयुक्त राज्य अमेरिका में वीडियो कैमरा प्रसार चीन के समान हो सकता है, लेकिन इसकी पुष्टि करना आसान नहीं है।

गूगल स्ट्रीट व्यू छवियों में वीडियो कैमरों की पहचान

उपलब्ध डेटा में इस कमी को देखते हुए, स्टैनफोर्ड विश्वविद्यालय के शोधकर्ताओं ने एक अध्ययन किया है जिसमें सार्वजनिक सामने वाले वीडियो कैमरों की व्यापकता, आवृत्ति और वितरण की जांच की गई है जो गूगल स्ट्रीट व्यू छवियों में पहचाने जा सकते हैं।

शोधकर्ताओं ने 10 प्रमुख अमेरिकी शहरों और एशिया और यूरोप में छह अन्य प्रमुख शहरों में 1.6 मिलियन गूगल स्ट्रीट व्यू छवियों का मूल्यांकन करने वाला एक कैमरा पहचान ढांचा बनाया।

अमेरिकी शहरों में कैमरा घनत्व, शोध के अनुसार

अमेरिकी शहरों में, बोस्टन में पहचाने गए कैमरों की सबसे अधिक घनत्व पाई गई, जबकि न्यूयॉर्क शहर में कैमरों की सबसे अधिक संख्या 10,100 है, जो एक बड़े क्षेत्र में फैली हुई है। एशिया में, टोक्यो में 21,700 अनुमानित कैमरे हैं, लेकिन सियोल में कैमरों की संख्या कम है (13,900) जो अधिक घनीभूत है। लंदन की स्ट्रीट व्यू छवियों में 13,000 कैमरे पहचाने गए, लेकिन पेरिस ने दोनों में भारी पड़ा, पहचाने गए स्थानों और घनत्व के संदर्भ में।

शोधकर्ताओं का观察 है कि कैमरा घनत्व शहरों के पड़ोस और क्षेत्रों के बीच बहुत भिन्न होता है।

अन्य सीमित कारकों के बीच, जो सर्वेक्षण की सटीकता को प्रभावित करते हैं (जिस पर हम बाद में आएंगे), शोधकर्ताओं का कहना है कि आवासीय क्षेत्रों में कैमरे तीन गुना अधिक कठिन हैं पहचानने में उन लोगों की तुलना में जो सार्वजनिक पार्क, औद्योगिक क्षेत्रों और मिश्रित उपयोग क्षेत्रों में स्थापित हैं।

यूरोप और एशिया में अध्ययन किए गए शहरों को ध्यान में रखते हुए, सियोल सबसे अधिक निगरानी शहरी वातावरण है, पेरिस इसके बाद है।

जहां एक क्षेत्र में जातीय या अल्पसंख्यक निवासियों का बहुमत है, वहां कैमरा स्थापना की आवृत्ति उल्लेखनीय रूप से बढ़ जाती है, यहां तक कि स्टैनफोर्ड शोधकर्ताओं द्वारा सभी संशोधन कारकों को ध्यान में रखते हुए भी।

निगरानी कैमरा आवृत्ति एक पड़ोस में अल्पसंख्यक जनसांख्यिकी में वृद्धि के साथ बढ़ती है, स्टैनफोर्ड शोध के अनुसार

शोध दो समय अवधियों में किया गया था, 2011-2015 और 2016-2020। हालांकि डेटा नौ साल की अवधि में निगरानी कैमरा स्थापना के सुसंगत और कभी-कभी विचलित विकास को दिखाता है, शोधकर्ताओं का सुझाव है कि निगरानी कैमरों का यह प्रसार एक ‘अस्थायी पठार’ पर पहुंच सकता है।

विधि

शोधकर्ताओं ने शुरू में स्ट्रीट व्यू छवियों के दो डेटासेट तैयार किए, जिनमें से एक में वीडियो कैमरा स्थापना नहीं थी, और इन्हें सेगमेंटेशन मास्क तैयार किए। एक सेगमेंटेशन मॉडल को इन डेटासेट पर प्रशिक्षित किया गया था, जो एक सत्यापन डेटासेट (सैन फ्रांसिस्को – नीचे ‘सीमित कारक’ देखें) के खिलाफ था।

इसके बाद, आउटपुट मॉडल को यादृच्छिक स्ट्रीट व्यू छवियों के खिलाफ चलाया गया, जिसमें सभी सकारात्मक कैमरा पता लगाने की पुष्टि मानव द्वारा की गई और झूठी सकारात्मकता को हटा दिया गया।

बाएं, गूगल स्ट्रीट व्यू से कच्ची छवि। अगला, अनुकूलित सेगमेंटेशन मास्क। तीसरा, एल्गोरिदम से व्युत्पन्न कैमरा पहचान। दाएं, मानव-सत्यापित स्थापना।

अंत में, ढांचे ने कैमरा कोणों से जुड़े फील्ड-ऑफ-व्यू की गणना की ताकि कवरेज के विस्तार का अनुमान लगाया जा सके, जो इमारतों के निशान और सड़क नेटवर्क की विशिष्टताओं के साथ जोड़ा गया था।

इस मैट्रिक्स के लिए योगदान करने वाले अन्य डेटा में ओपनस्ट्रीटमैप से इमारत विशिष्टताएं और अमेरिकी जनगणना मानचित्र शामिल थे ताकि यह सुनिश्चित किया जा सके कि अध्ययन प्रत्येक शहर की प्रशासनिक सीमाओं तक सीमित था। इसके अलावा, परियोजना ने सैन फ्रांसिस्को कैमरा स्थान डेटा का उपयोग किया जो इलेक्ट्रॉनिक फ्रंटियर फाउंडेशन (EFF) द्वारा किए गए एक अध्ययन से, गूगल स्ट्रीट व्यू छवियों को स्टेटिक API के माध्यम से एक्सेस किया गया था।

शोधकर्ताओं ने ओपनस्ट्रीटमैप के डेटा के खिलाफ गूगल स्ट्रीट व्यू कैमरों के फील्ड-ऑफ-व्यू की गणना करके कवरेज का अनुमान लगाया।

सीमित कारक

शोधकर्ताओं ने कई सीमित कारकों को स्वीकार किया जिन्हें परिणामों की समीक्षा करते समय विचार किया जाना चाहिए।

पहले, मशीन लर्निंग सिस्टम द्वारा पहचाने गए कैमरे सभी मानव समीक्षा द्वारा सत्यापित या नकारे गए थे, और यह समीक्षा एक त्रुटिपूर्ण प्रक्रिया है।

दूसरा, अध्ययन स्ट्रीट व्यू छवियों के उपलब्ध रिज़ॉल्यूशन से सीमित था, जिसने शोधकर्ताओं को 30 मीटर के दृश्य क्षेत्र के भीतर स्थापित कैमरों की पहचान तक सीमित कर दिया। यह न केवल यह सुझाव देता है कि कुछ कैमरे सीमित रिज़ॉल्यूशन के माध्यम से ‘काल्पनिक’ हो सकते हैं, बल्कि यह भी कि कई कैमरे जो इस दायरे से बाहर हैं (जैसे उच्च स्तर के कैमरे, छिपे हुए स्थान और दरवाजे की घंटी फिटिंग में माइक्रो-कैमरे) शायद पहचाने नहीं गए हैं।

अंत में, शहर-विशिष्ट मॉडल रिकॉल का अनुमान लगाना परिणामों की सटीकता में एक सीमित कारक हो सकता है, क्योंकि सैन फ्रांसिस्को शहर, जहां निगरानी कैमरा आवृत्ति पहले से ही EFF द्वारा किए गए पिछले कार्य में लेबल की गई थी, को अन्य क्षेत्राधिकारों पर लागू किया गया था ताकि अध्ययन व्यावहारिक हो।