Priežiūra
Vaizdo stebėjimo masto nustatymas naudojant „Google Street View“ duomenis
„Google Street View“ nuolatinė pasaulio magistralių aprėptis yra turbūt išsamiausias, nuosekliausias ir nuosekliausias pasaulinės visuomenės vaizdinis įrašas, išskyrus šalis, kurios taikyti draudimus ant paieškos milžino besisukiojančių duomenų rinkimo transporto priemonių.
Kaip pajamas teikiantis „Google“ žemėlapių infrastruktūros indėlis, „Google Street View“ panoptikas yra gausus duomenų rinkinys, skirtas mašininio mokymosi analizei. Be polinkio nesąmoningai užfiksuoti nusikalstamas veikas, jis buvo įpratęs įvertinti regiono pajamas iš automobilio kokybės „Google Street View“ vaizduose, įvertinti želdinius miesto aplinkoje, nustatyti komunalinių paslaugų polius, klasifikuoti pastatus ir apskaičiuoti JAV rajonų demografinė struktūra, be daugelio kitų iniciatyvų.
Ribota stebėjimo kamerų sklaidos statistika Jungtinėse Valstijose
Nepaisant to, kad „Google“ žemėlapių duomenys plačiai naudojami socialiai sąmoningoms mašininio mokymosi iniciatyvoms, yra labai mažai „Street View“ pagrįstų duomenų rinkinių, kuriuose būtų pažymėti stebėjimo kamerų pavyzdžiai. The „Mapillary Vistas“ duomenų rinkinys yra vienas iš nedaugelio, turinčių šią funkciją, nors jame yra mažiau nei 20 paženklintų viešųjų vaizdo kamerų Jungtinėse Valstijose.
Didžioji dalis JAV vaizdo stebėjimo infrastruktūros susikerta su valstija tik tada, kai valdžios institucijos reikalauja patvirtinančios filmuotos medžiagos po vietinių incidentų, kurie galėjo būti užfiksuoti. Be zonavimo taisyklių ir atsižvelgiant į leistinus privatumo įstatymus, kurie mažai sprendžia privačių viešųjų erdvių stebėjimo klausimus, yra nėra federalinės administracinės sistemos kurie gali pateikti griežtą statistiką apie viešai nukreiptų kamerų skaičių JAV.
Anekdotiniai duomenys ir ribotos apklausos teigia, kad vaizdo kamerų sklaida JAV gali būti lygiagrečiai su Kinija, bet tai nėra lengva įrodyti.
Vaizdo kamerų identifikavimas „Google Street View“ vaizduose
Atsižvelgdami į šį turimų duomenų trūkumą, Stanfordo universiteto mokslininkai turi atliko tyrimą, į visuomenei skirtų vaizdo kamerų, kurias galima atpažinti „Google Street View“ vaizduose, paplitimą, dažnumą ir pasiskirstymą.
Tyrėjai sukūrė fotoaparato aptikimo sistemą, kuri įvertino 1.6 milijono „Google Street View“ vaizdų 10 didžiųjų JAV miestų ir šešiuose kituose didžiuosiuose Azijos ir Europos miestuose.
Iš JAV miestų Bostonas buvo didžiausias Tankis identifikuotų kamerų, o Niujorke – didžiausia skaičius 10,100 21,700 kamerų, pasklidusių didesniu atstumu. Azijoje Tokijuje yra apie 13,900 13,000 kamerų, tačiau Seule yra mažesnis kamerų skaičius (13,00 XNUMX), sutelktų daug tankiau. Nors Londono „Street View“ vaizdams buvo nustatyta XNUMX XNUMX kamerų, Paryžius tai lenkia tiek pagal nustatytas vietas (XNUMX), tiek pagal aprėpties tankį.
Tyrėjai pastebi, kad kamerų tankis labai skiriasi tarp miestų rajonų ir zonų.
Be kitų apklausos tikslumą ribojančių veiksnių (prie kurių mes prieisime), mokslininkai pastebi, kad kameras gyvenamuosiuose rajonuose atpažinti tris kartus sunkiau nei viešuosiuose parkuose, pramoninėse zonose ir mišraus naudojimo zonose – tikriausiai. nes „atgrasymo“ poveikis gyvenamosiose zonose tampa vis labiau nepriimtinas arba prieštaringas, todėl labiau tikėtina, kad užmaskuotas ar diskretiškas išdėstymas.
Atsižvelgiant į tyrinėtus miestus Europoje ir Azijoje, Seulas yra labiausiai stebima miesto aplinka, o Paryžius nedaug atsilieka.
Ten, kur zonoje yra surašymo nustatyta etninių ar mažumų gyventojų dauguma, kamerų išdėstymo dažnis pastebimai padidėja, net jei Stanfordo mokslininkai atsižvelgė į visus švelninančius veiksnius.
Tyrimas buvo atliktas dviem laikotarpiais – 2011–2015 ir 2016–2020 m. Nors duomenys rodo nuoseklų ir kartais nenormalų stebėjimo kamerų išdėstymo augimą per devynerius metus, mokslininkai teigia, kad šis stebėjimo kamerų paplitimas galėjo pasiekti „laikiną plynaukštę“.
Metodika
Iš pradžių tyrėjai sudarė du „Street View“ vaizdų duomenų rinkinius, iš kurių viename nebuvo vaizdo kamerų išdėstymo, ir sugeneravo jų segmentavimo kaukes. Šiems duomenų rinkiniams buvo parengtas segmentavimo modelis, atitinkantis patvirtinimo duomenų rinkinį (San Francisko – žr. toliau „Ribojantys veiksniai“).
Tada išvesties modelis buvo paleistas su atsitiktiniais „Street View“ vaizdais, visi teigiami fotoaparato aptikimai buvo patvirtinti žmonių, o klaidingi teigiami rezultatai buvo pašalinti.
Galiausiai, sistema apskaičiavo naudojamų kamerų kampų matymo lauką, kad būtų galima įvertinti aprėpties mastą, palyginti su susijusių pastatų pėdsakais ir kelių tinklo specifikacijomis.
Kiti papildomi šios matricos duomenys buvo pastato specifikacijos iš OpenStreetMap ir JAV surašymo žemėlapių naudojimas siekiant užtikrinti, kad tyrimas būtų apribotas kiekvieno miesto administracinėmis ribomis. Be to, projekte buvo naudojami San Francisko kameros vietos duomenys iš a studija sukūrė Electronic Frontier Foundation (EFF), o „Google Street View“ vaizdai pasiekiami per Statinė API.
Ribojantys veiksniai
Tyrėjai pripažįsta daugybę ribojančių veiksnių, į kuriuos reikėtų atsižvelgti peržiūrint rezultatus.
Pirma, kad visos kameros, kurias nustatė mašininio mokymosi sistema, vėliau buvo patikrintos arba paneigtos žmogaus peržiūros ir kad ši peržiūra yra klaidingas procesas.
Antra, tyrimą ribojo turima „Street View“ vaizdų skiriamoji geba, dėl kurios mokslininkai galėjo nustatyti kameras, esančias trisdešimties metrų atstumu nuo POV. Tai ne tik reiškia, kad kai kurios kameros galėjo būti „išrastos“ dėl ribotos skiriamosios gebos, bet ir tai, kad daugelis, nepatenkančių į šią sritį (pvz., aukšto lygio kameros, neaiškios vietos ir mikrokameros durų skambučio jungiamose detalėse), greičiausiai nebuvo identifikuotos.
Galiausiai, miestui būdingo modelio atšaukimo įvertinimas gali būti ribojantis rezultatų tikslumo veiksnys, nes San Francisko miestas, kuriame stebėjimo kamerų dažnis jau buvo pažymėtas ankstesniame EŽF darbe, buvo pritaikytas kitoms jurisdikcijoms, kad būtų studijuoti galima.