Determinazione dell'estensione della videosorveglianza tramite i dati di Google Street View

La copertura continua di Google Street View delle strade del mondo rappresenta forse la registrazione visiva più completa, coerente e coerente della società globale, con l'eccezione dei paesi che imporre divieti sui veicoli di raccolta dati itineranti del gigante della ricerca.

In quanto contributore all'infrastruttura di Google Maps in termini di entrate, il panopticon di Google Street View è un ricco insieme di dati per l'analisi del machine learning. Oltre alla sua propensione a catturare inconsapevolmente atti criminali, è stato abituato stimare il reddito regionale dalla qualità dell'auto nelle immagini di Google Street View, valutare il verde in ambienti urbani, identificare i pali delle utenze, classificare gli edifici ed stima la composizione demografica dei quartieri degli Stati Uniti, tra molte altre iniziative.

Statistiche limitate sulla diffusione delle telecamere di sorveglianza negli Stati Uniti

Nonostante l'ampio utilizzo dei dati di Google Maps per iniziative di apprendimento automatico socialmente consapevoli, ci sono pochissimi set di dati basati su Street View che includono esempi etichettati di telecamere di sorveglianza. IL Set di dati Mapillary Vistas è tra il piccolo numero disponibile che offre questa funzionalità, sebbene includa meno di 20 videocamere pubbliche etichettate negli Stati Uniti.

Gran parte dell'infrastruttura di videosorveglianza negli Stati Uniti interseca lo Stato solo quando le autorità richiedono filmati corroboranti dopo incidenti locali che potrebbero essere stati registrati. Al di là dei regolamenti sulla zonizzazione, e nel contesto di leggi sulla privacy permissive che fanno poco per affrontare la sorveglianza privata degli spazi pubblici, c'è nessun quadro amministrativo federale che può fornire statistiche concrete sul numero di telecamere rivolte al pubblico negli Stati Uniti.

Dati aneddotici e sondaggi limitati sostengono che la diffusione delle videocamere negli Stati Uniti potrebbe esserlo al pari della Cina, ma non è facile dimostrarlo.

Identificare le videocamere nelle immagini di Google Street View

Considerando questa carenza di dati disponibili, i ricercatori della Stanford University hanno condotto uno studio nella prevalenza, frequenza e distribuzione delle videocamere rivolte al pubblico che possono essere identificate nelle immagini di Google Street View.

I ricercatori hanno creato un framework di rilevamento della telecamera che ha valutato 1.6 milioni di immagini di Google Street View in 10 grandi città degli Stati Uniti e altre sei grandi città in Asia ed Europa.

In ordine decrescente di densità di telecamere, Boston è in cima all'elenco delle città statunitensi esaminate nella ricerca, con una densità recente o attuale di 0.63 e un numero totale di telecamere pari a 1,600. Nonostante ciò, New York City ha molte più telecamere (10,100) sparse su un'area più ampia. Fonte: https://arxiv.org/pdf/2105.01764.pdf

Delle città degli Stati Uniti, Boston è risultata avere il più alto densità di telecamere identificate, mentre New York City ha il più alto numero di telecamere a 10,100, distribuite su una distanza maggiore. In Asia, Tokyo ha ben 21,700 telecamere stimate, ma Seoul ha un numero inferiore di telecamere (13,900) concentrate molto più densamente. Sebbene siano state identificate 13,000 telecamere per le immagini di Street View di Londra, Parigi le batte sia in termini di posizionamenti identificati (13,00) che di densità di copertura.

I ricercatori osservano che la densità delle telecamere varia ampiamente tra i quartieri e le zone delle città.

Tra gli altri fattori limitanti per l'accuratezza dell'indagine (su cui arriveremo), i ricercatori osservano che le telecamere nelle aree residenziali sono tre volte più difficili da identificare rispetto a quelle poste nei parchi pubblici, nelle aree industriali e nelle zone a uso misto - presumibilmente perché l'effetto 'deterrente' è sempre più discutibile o controverso nelle zone residenziali, rendendo più probabili posizionamenti mimetizzati o discreti.

Prendendo in considerazione le città studiate in Europa e in Asia, Seoul occupa il primo posto come ambiente urbano più sorvegliato, con Parigi non molto distante.

Laddove una zona ha una maggioranza definita dal censimento di residenti di etnia o minoranza, la frequenza dei posizionamenti delle telecamere aumenta notevolmente, anche con tutti i fattori attenuanti presi in considerazione dai ricercatori di Stanford.

La frequenza delle telecamere di sorveglianza aumenta in proporzione diretta all'aumento della demografia delle minoranze in un quartiere, secondo la ricerca di Stanford.

La ricerca è stata condotta su due periodi di tempo, 2011-2015 e 2016-2020. Sebbene i dati mostrino una crescita costante e talvolta aberrante del posizionamento delle telecamere di sorveglianza nel periodo di nove anni, i ricercatori suggeriscono che questa proliferazione di telecamere di sorveglianza potrebbe aver raggiunto un "plateau temporaneo".

Metodologia

I ricercatori hanno inizialmente compilato due set di dati delle immagini di Street View, uno dei quali non presentava posizionamenti di videocamere, e hanno generato maschere di segmentazione per questi. Un modello di segmentazione è stato addestrato su questi set di dati rispetto a un set di dati di convalida (di San Francisco – vedere "Fattori limitanti" di seguito).

Quindi il modello di output è stato eseguito su immagini casuali di Street View, con tutti i rilevamenti positivi delle telecamere confermati da persone e i falsi positivi rimossi.

A sinistra, l'immagine grezza da Google Street View. Successivamente, la maschera di segmentazione adattata. Terzo, un'identificazione della telecamera derivata algoritmicamente. Esatto, un posizionamento verificato dall'uomo.

Infine, il framework ha calcolato il campo visivo degli angoli di ripresa coinvolti per stimare l'estensione della copertura, confrontata con le impronte degli edifici coinvolti e le specifiche della rete stradale.

Altri dati che hanno contribuito a questa matrice includevano le specifiche degli edifici di OpenStreetMap e l'uso delle mappe del censimento degli Stati Uniti per garantire che lo studio fosse limitato ai limiti amministrativi di ciascuna città. Inoltre, il progetto ha utilizzato i dati sulla posizione della telecamera di San Francisco da a studio dalla Electronic Frontier Foundation (EFF), con le immagini di Google Street View accessibili tramite il API statica.

I ricercatori hanno stimato la copertura calcolando il campo visivo delle telecamere di Google Street View rispetto ai dati di OpenStreetMap.

Fattori limitanti

I ricercatori ammettono una serie di fattori limitanti che dovrebbero essere considerati quando si esaminano i risultati.

In primo luogo, che le telecamere identificate dal sistema di apprendimento automatico sono state tutte successivamente verificate o negate dalla revisione umana e che questa revisione è un processo fallibile.

In secondo luogo, lo studio è stato limitato dalla risoluzione disponibile delle immagini di Street View, che ha limitato i ricercatori a identificare le telecamere posizionate entro trenta metri dal punto di vista. Ciò non significa solo che alcune telecamere potrebbero essere state "inventate" attraverso una risoluzione limitata, ma anche che molte al di fuori di questo ambito (come telecamere di alto livello, posizionamenti oscurati e microtelecamere nei campanelli) probabilmente non sono state identificate.

Infine, la stima del richiamo del modello specifico della città può essere un fattore limitante nell'accuratezza dei risultati, poiché la città di San Francisco, dove la frequenza delle telecamere di sorveglianza era già stata etichettata in precedenti lavori dell'EFF, è stata applicata ad altre giurisdizioni per rendere il studio fattibile.