Одредување на обемот на видео надзор преку податоците на Google Street View

Континуираното покривање на светските сообраќајници на Google Street View претставува веројатно најкомплетниот, конзистентен и најкохерентен визуелен запис на глобалното општество, со исклучок на земјите кои наметнуваат забрани на возилата за скитници на гигантот за пребарување за собирање податоци.

Како придонесувач за доставување приходи во инфраструктурата на „Карти на Google“, паноптиконот на Google Street View е богат спој со податоци за анализа на машинското учење. Покрај склоноста кон несвесно фаќање криминални дејствија, таа беше навикната процени регионален приход од квалитетот на автомобилот во сликите на Google Street View, проценете го зеленилото во урбани средини, идентификуваат столбови за комунални услуги, класифицираат згради проценка демографскиот состав на американските населби, меѓу многу други иницијативи.

Ограничена статистика за дифузија на камера за надзор во Соединетите Држави

И покрај широката употреба на податоците на „Карти на Google“ за социјално свесни иницијативи за машинско учење, има многу малку сетови на податоци засновани на Street View кои вклучуваат означени примери на камери за надзор. На Дата на податоци на Mapillary Vistas е меѓу малиот број достапни што ја нудат оваа функционалност, иако вклучува помалку од 20 означени јавни видео камери во САД.

Голем дел од инфраструктурата за видео надзор во САД ја пресекува државата само кога властите бараат потврдени снимки по локални инциденти кои можеби биле снимени. Надвор од прописите за зонирање, и во контекст на попустливите закони за приватност кои не прават малку за да се осврнат на приватниот надзор на јавните простори, постои нема федерална административна рамка што може да обезбеди цврста статистика за бројот на камери за јавност во САД.

Анегдотски податоци и ограничени истражувања тврдат дека дифузијата на видео камерата во САД може да биде на исто ниво со Кина, но не е лесно да се докаже.

Идентификување видео камери во сликите на Google Street View

Имајќи го предвид овој недостаток на достапни податоци, истражувачите од Универзитетот Стенфорд го имаат спроведе студија во распространетоста, зачестеноста и дистрибуцијата на видео камерите со кои се соочува јавноста што може да се идентификуваат во сликите на Google Street View.

Истражувачите создадоа рамка за откривање камера која процени 1.6 милиони слики на Google Street View низ 10 поголеми градови во САД и шест други големи градови во Азија и Европа.

По опаѓачки редослед на густината на камерата, Бостон ја предводи листата на американски градови испитани во истражувањето, со неодамнешна или сегашна густина од 0.63 и вкупен број камери од 1,600. И покрај ова, Њујорк има многу повеќе камери (10,100) дисперзирани на поголема површина. Извор: https://arxiv.org/pdf/2105.01764.pdf

Од американските градови, Бостон го има највисокото Густина на идентификувани камери, додека Њујорк има највисока број на камери на 10,100, распоредени на поголемо растојание. Во Азија, Токио има огромни 21,700 проценети камери, но Сеул има помал број камери (13,900) многу погусто концентрирани. Иако беа идентификувани 13,000 камери за сликите на Street View од Лондон, Париз го надминува ова и во однос на идентификуваните места (13,00) и густината на покриеност.

Истражувачите забележуваат дека густината на камерата варира во голема мера помеѓу населбите и зоните на градовите.

Меѓу другите ограничувачки фактори за точноста на истражувањето (до кое ќе дојдеме), истражувачите забележуваат дека камерите во станбени области се трипати потешки за идентификување од оние поставени во јавни паркови, индустриски области и зони со мешана употреба - веројатно бидејќи ефектот на „одвраќање“ е сè повеќе непристоен или контроверзен во станбените зони, што ги прави поверојатни камуфлирани или дискретни сместувања.

Земајќи ги предвид градовите кои се проучуваат во Европа и Азија, Сеул е на пол место како најнадгледувана урбана средина, а Париз не е далеку зад себе.

Онаму каде што зоната има мнозинство етнички или малцински жители дефинирано со попис, фреквенцијата на поставување камери значително се зголемува, дури и со сите олеснителни фактори земени предвид од истражувачите од Стенфорд.

Фреквенцијата на камерите за надзор се зголемува во директна пропорција со зголемената демографија на малцинствата во соседството, според истражувањето на Стенфорд.

Истражувањето беше спроведено во два временски периоди, 2011–2015 и 2016–2020 година. Иако податоците покажуваат конзистентен, а понекогаш и аберрантен раст на поставувањето на камерите за надзор во текот на деветгодишниот период, истражувачите сугерираат дека оваа пролиферација на камери за надзор можеби достигнала „привремено плато“.

Методологија

Истражувачите првично составија две групи на податоци од сликите на Street View, од кои едната немаше места за видео камери и генерираа маски за сегментација за нив. Беше обучен модел на сегментација за овие збирки на податоци со база на податоци за валидација (од Сан Франциско - видете „Ограничувачки фактори“ подолу).

Потоа, излезниот модел беше извршен со случајни слики од Street View, при што сите позитивни детекции на камерата беа потврдени од луѓе, а лажните позитиви беа отстранети.

Лево, необработената слика од Google Street View. Следно, адаптираната маска за сегментација. Трето, алгоритамски изведена идентификација на камерата. Точно, поставеност потврдена од човек.

На крајот, рамката го пресмета видното поле на вклучените агли на камерата со цел да се процени степенот на покриеност, спореден според стапалките на вклучените згради и спецификациите на патната мрежа.

Други податоци кои придонесуваат за оваа матрица вклучуваат градежни спецификации од OpenStreetMap и употреба на пописни мапи во САД за да се осигура дека студијата е ограничена на административните граници на секој град. Дополнително, проектот користеше податоци за локацијата на камерата во Сан Франциско од а студија од страна на Electronic Frontier Foundation (EFF), со сликите на Google Street View до кои се пристапува преку Статички API.

Истражувачите ја процениле покриеноста со пресметување на видното поле на камерите на Google Street View според податоците од OpenStreetMap.

Фактори на ограничување

Истражувачите признаваат голем број ограничувачки фактори кои треба да се земат предвид при преглед на резултатите.

Прво, дека камерите идентификувани од системот за машинско учење беа последователно потврдени или негирани со човечки преглед и дека овој преглед е процес кој не може да погреши.

Второ, студијата беше ограничена со достапната резолуција на сликите на Street View, што ги ограничи истражувачите да идентификуваат камери поставени на триесет метри од POV. Ова не само што значи дека некои фотоапарати можеби се „измислени“ преку ограничена резолуција, туку и дека многу надвор од оваа област (како што се камери на високо ниво, заматени места и микро-камери во фитинзи за ѕвончиња) веројатно не се идентификувани.

Конечно, проценката на отповикувањето на моделот специфични за градот може да биде ограничувачки фактор во точноста на резултатите, бидејќи градот Сан Франциско, каде што фреквенцијата на камерите за надзор веќе беше означена во претходната работа од EFF, беше применета во други јурисдикции за да се направи студија изводливо.