Menentukan Jangkauan Pengawasan Video melalui Data Google Street View

Google Street View yang terus-menerus mencakup jalan-jalan di seluruh dunia mewakili catatan visual yang paling lengkap, konsisten, dan koheren dari masyarakat global, kecuali negara-negara yang melarang kendaraan pengumpul data raksasa pencarian.

Sebagai kontributor penghasil pendapatan untuk infrastruktur Google Maps, panoptikon Google Street View adalah sumber data yang kaya untuk analisis pembelajaran mesin. Selain kemampuannya untuk menangkap tindakan kriminal tanpa sengaja, telah digunakan untuk mengestimasi pendapatan regional dari kualitas mobil di gambar Google Street View, mengevaluasi kehijauan di lingkungan perkotaan, mengidentifikasi tiang utilitas, mengklasifikasikan bangunan dan mengestimasi komposisi demografi lingkungan di AS, di antara banyak inisiatif lainnya.

Statistik Terbatas tentang Difusi Kamera Pengawasan di Amerika Serikat

Meskipun penggunaan luas data Google Maps untuk inisiatif pembelajaran mesin yang sadar sosial, ada sangat sedikit dataset berbasis Street View yang mencakup contoh kamera pengawasan yang dilabeli. Dataset Mapillary Vistas adalah salah satu dari sedikit yang tersedia yang menawarkan fungsionalitas ini, meskipun hanya mencakup kurang dari 20 kamera video publik yang dilabeli di Amerika Serikat.

Sebagian besar infrastruktur pengawasan video di AS hanya berpotongan dengan Negara ketika otoritas menuntut footage yang membenarkan setelah insiden lokal yang mungkin telah direkam. Di luar peraturan zonasi, dan dalam konteks hukum privasi yang permissif yang tidak banyak melakukan untuk mengatasi pengawasan pribadi dari ruang publik, tidak ada kerangka administratif federal yang dapat memberikan statistik yang keras tentang jumlah kamera yang menghadap ke publik di AS.

Data anekdot dan survei terbatas mengklaim bahwa difusi kamera video di AS mungkin setara dengan Cina, tetapi tidak mudah untuk membuktikannya.

Mengidentifikasi Kamera Video di Gambar Google Street View

Mengingat kekurangan data yang tersedia, peneliti dari Universitas Stanford telah melakukan studi tentang prevalensi, frekuensi, dan distribusi kamera video yang menghadap ke publik yang dapat diidentifikasi di gambar Google Street View.

Peneliti menciptakan kerangka deteksi kamera yang mengevaluasi 1,6 juta gambar Google Street View di 10 kota besar AS, dan enam kota besar lainnya di Asia dan Eropa.

Dalam urutan menurun dari kepadatan kamera, Boston berada di atas daftar kota-kota AS yang diteliti dalam penelitian, dengan kepadatan saat ini sebesar 0,63 dan total kamera sebesar 1.600. Meskipun demikian, New York City memiliki lebih banyak kamera (10.100) yang tersebar di area yang lebih luas. Sumber: https://arxiv.org/pdf/2105.01764.pdf

Dari kota-kota AS, Boston ditemukan memiliki kepadatan kamera tertinggi, sedangkan New York City memiliki jumlah kamera tertinggi sebesar 10.100, tersebar di area yang lebih luas. Di Asia, Tokyo memiliki perkiraan kamera sebesar 21.700, tetapi Seoul memiliki jumlah kamera yang lebih kecil (13.900) yang terkonsentrasi lebih padat. Meskipun 13.000 kamera diidentifikasi untuk gambar Street View di London, Paris mengalahkan ini baik dalam hal penempatan yang diidentifikasi (13.000) dan kepadatan cakupan.

Peneliti mengamati bahwa kepadatan kamera bervariasi secara luas antara lingkungan dan zona kota.

Di antara faktor-faktor pembatas lainnya untuk akurasi survei (yang akan kita bahas), peneliti mengamati bahwa kamera di area residensial tiga kali lebih sulit diidentifikasi daripada yang ditempatkan di taman umum, area industri, dan zona campuran – kemungkinan karena efek “penangkal” yang semakin tidak dapat diterima atau kontroversial di zona residensial, membuat penempatan yang tersembunyi atau samar lebih mungkin.

Mengingat kota-kota yang dipelajari di Eropa dan Asia, Seoul berada di posisi teratas sebagai lingkungan perkotaan yang paling diawasi, dengan Paris tidak jauh di belakang.

Di mana suatu zona memiliki mayoritas etnis atau minoritas penduduk yang didefinisikan oleh sensus, frekuensi penempatan kamera melonjak secara signifikan, bahkan dengan semua faktor yang dimodifikasi oleh peneliti Stanford.

Frekuensi kamera pengawasan meningkat sebanding dengan peningkatan demografi minoritas di suatu lingkungan, menurut penelitian Stanford.

Penelitian ini dilakukan selama dua periode waktu, 2011–2015 dan 2016–2020. Meskipun data menunjukkan pertumbuhan konsisten dan kadang-kadang aneh dari penempatan kamera pengawasan selama sembilan tahun, peneliti menyarankan bahwa proliferasi kamera pengawasan mungkin telah mencapai “platau sementara”.

Metodologi

Peneliti awalnya mengompilasi dua dataset gambar Street View, salah satunya tidak menampilkan penempatan kamera video, dan menghasilkan masker segmentasi untuk ini. Model segmentasi dilatih pada dataset ini melawan dataset validasi (dari San Francisco – lihat ‘Faktor Pembatas’ di bawah).

Kemudian model output dijalankan melawan gambar Street View acak, dengan semua deteksi kamera positif dikonfirmasi oleh manusia, dan false positif dihapus.

Kiri, gambar mentah dari Google Street View. Berikutnya, masker segmentasi yang disesuaikan. Ketiga, identifikasi kamera yang dihasilkan algoritma. Kanan, penempatan yang diverifikasi oleh manusia.

Akhirnya, kerangka kerja menghitung sudut pandang kamera yang terlibat untuk mengestimasi cakupan, dikumpulkan melawan jejak bangunan yang terlibat dan spesifikasi jaringan jalan.

Data lain yang berkontribusi pada matriks ini termasuk spesifikasi bangunan dari OpenStreetMap, dan penggunaan peta sensus AS untuk memastikan bahwa penelitian ini dibatasi pada batas administratif masing-masing kota. Selain itu, proyek ini menggunakan data lokasi kamera San Francisco dari penelitian oleh Electronic Frontier Foundation (EFF), dengan gambar Google Street View diakses melalui Static API.

Peneliti mengestimasi cakupan dengan menghitung sudut pandang kamera Google Street View melawan data dari OpenStreetMap.

Faktor Pembatas

Peneliti mengakui beberapa faktor pembatas yang harus dipertimbangkan saat meninjau hasil.

Pertama, bahwa kamera yang diidentifikasi oleh sistem pembelajaran mesin semua kemudian diverifikasi atau dibantah oleh tinjauan manusia, dan bahwa tinjauan ini adalah proses yang rentan.

Kedua, penelitian ini dibatasi oleh resolusi yang tersedia dari gambar Street View, yang membatasi peneliti untuk mengidentifikasi kamera yang ditempatkan dalam jarak tiga puluh meter dari POV. Ini tidak hanya berarti bahwa beberapa kamera mungkin telah “ditemukan” melalui resolusi yang terbatas, tetapi juga bahwa banyak kamera di luar jangkauan ini (seperti kamera tingkat tinggi, penempatan yang tersembunyi, dan kamera mikro di penempatan pintu) kemungkinan tidak akan diidentifikasi.

Akhirnya, mengestimasi recall model kota-khusus dapat menjadi faktor pembatas dalam akurasi hasil, karena kota San Francisco, di mana frekuensi kamera pengawasan telah dilabeli sebelumnya dalam penelitian sebelumnya oleh EFF, diterapkan ke yurisdiksi lain untuk membuat penelitian ini layak. ly tidak untuk diidentifikasi. Akhirnya, mengestimasi recall model kota-khusus dapat menjadi faktor pembatas dalam akurasi hasil, karena kota San Francisco, di mana frekuensi kamera pengawasan telah dilabeli sebelumnya dalam penelitian sebelumnya oleh EFF, diterapkan ke yurisdiksi lain untuk membuat penelitian ini layak.