Bestemme omfanget av videoovervåking gjennom Google Street View-data

Google Street Views kontinuerlige dekning av verdens gjennomfartsveier representerer muligens den mest komplette, konsistente og sammenhengende visuelle oversikten over det globale samfunnet, med unntak av land som innføre forbud på søkegigantens omreisende datainnsamlingskjøretøyer.

Som en inntektsgivende bidragsyter til Google Maps sin infrastruktur, er Google Street View-panoptikonet en rik datasøm for maskinlæringsanalyse. I tillegg til sin tilbøyelighet til uforvarende å fange kriminelle handlinger, har den vært vant til anslå regional inntekt fra bilkvalitet i Google Street View-bilder, vurdere grøntområder i urbane miljøer, identifisere verktøystolper, klassifisere bygninger og anslag den demografiske sammensetningen av amerikanske nabolag, blant mange andre initiativer.

Begrenset statistikk om spredning av overvåkingskamera i USA

Til tross for utstrakt bruk av Google Maps' data for sosialt bevisste maskinlæringsinitiativer, er det svært få Street View-baserte datasett som inkluderer merkede eksempler på overvåkingskameraer. De Mapillary Vistas datasett er blant de få tilgjengelige som tilbyr denne funksjonaliteten, selv om den inkluderer mindre enn 20 merkede offentlige videokameraer i USA.

Mye av videoovervåkingsinfrastrukturen i USA krysser kun staten når myndighetene krever bekreftende opptak etter lokale hendelser som kan ha blitt tatt opp. Utover reguleringsbestemmelser, og i sammenheng med permissive personvernlover som i liten grad adresserer privat overvåking av offentlige rom, er det ingen føderal administrativ ramme som kan gi harde statistikker over antall offentlige kameraer i USA.

Anekdotiske data og begrensede undersøkelser hevder at spredning av videokameraer i USA kan være det på nivå med Kina, men det er ikke lett å bevise.

Identifisere videokameraer i Google Street View-bilder

Tatt i betraktning denne mangelen i tilgjengelige data, har forskere fra Stanford University gjennomført en studie inn i utbredelsen, frekvensen og distribusjonen av de offentlige videokameraene som kan identifiseres i Google Street View-bilder.

Forskerne laget et rammeverk for kameradeteksjon som evaluerte 1.6 millioner Google Street View-bilder i 10 store amerikanske byer og seks andre storbyer i Asia og Europa.

I synkende rekkefølge etter kameratetthet topper Boston listen over amerikanske byer som er undersøkt i forskningen, med en nylig eller nåværende tetthet på 0.63 og et totalt antall kameraer på 1,600. Til tross for dette har New York City langt flere kameraer (10,100 XNUMX) spredt over et større område. Kilde: https://arxiv.org/pdf/2105.01764.pdf

Av amerikanske byer ble Boston funnet å ha den høyeste tetthet av identifiserte kameraer, mens New York City har høyest Antall av kameraer på 10,100 21,700, spredt over en større avstand. I Asia har Tokyo enorme 13,900 13,000 estimerte kameraer, men Seoul har et mindre antall kameraer (13,00 XNUMX) konsentrert langt tettere. Selv om XNUMX XNUMX kameraer ble identifisert for Street View-bilder av London, slår Paris dette både når det gjelder identifiserte plasseringer (XNUMX) og dekningstetthet.

Forskerne observerer at kameratettheten varierer mye mellom bydelene og sonene i byene.

Blant andre begrensende faktorer for nøyaktigheten av undersøkelsen (som vi kommer til), observerer forskerne at kameraer i boligområder er tre ganger vanskeligere å identifisere enn de som er plassert i offentlige parker, industriområder og soner med blandet bruk – antagelig fordi den "avskrekkende" effekten blir stadig mer kritikkverdig eller kontroversiell i boligsoner, noe som gjør kamuflerte eller diskrete plasseringer mer sannsynlige.

Tatt i betraktning byene som er studert i Europa og Asia, har Seoul en polplass som det mest overvåkede bymiljøet, med Paris ikke langt bak.

Der en sone har et folketellingsdefinert flertall av etniske eller minoritetsbeboere, øker frekvensen av kameraplasseringer bemerkelsesverdig, selv med alle formildende faktorer tatt i betraktning av Stanford-forskerne.

Frekvensen av overvåkingskameraer stiger i direkte forhold til økt minoritetsdemografi i et nabolag, ifølge Stanford-undersøkelsen.

Forskningen ble utført over to tidsperioder, 2011–2015 og 2016–2020. Selv om dataene viser konsistent og noen ganger avvikende vekst i plassering av overvåkingskameraer i løpet av niårsperioden, antyder forskerne at denne spredningen av overvåkingskameraer kan ha nådd et "midlertidig platå".

metodikk

Forskerne kompilerte først to datasett av Street View-bildene, hvorav ett ikke inneholdt videokameraplasseringer, og genererte segmenteringsmasker for disse. En segmenteringsmodell ble trent på disse datasettene mot et valideringsdatasett (fra San Francisco – se 'Begrensende faktorer' nedenfor).

Deretter ble utdatamodellen kjørt mot tilfeldige Street View-bilder, med alle positive kameradeteksjoner bekreftet av mennesker, og falske positive fjernet.

Til venstre, råbildet fra Google Street View. Deretter den tilpassede segmenteringsmasken. For det tredje, en algoritmisk utledet kameraidentifikasjon. Ja, en menneskelig bekreftet plassering.

Til slutt beregnet rammeverket synsfeltet til de involverte kameravinklene for å estimere omfanget av dekning, sammenstilt mot fotavtrykkene til de involverte bygningene og spesifikasjonene til veinettet.

Andre bidragende data for denne matrisen inkluderte byggespesifikasjoner fra OpenStreetMap, og bruk av amerikanske folketellingskart for å sikre at studien var begrenset til de administrative grensene for hver by. I tillegg brukte prosjektet San Francisco kameraplasseringsdata fra en studere av Electronic Frontier Foundation (EFF), med Google Street View-bildene tilgjengelig via Statisk API.

Forskerne estimerte dekningen ved å beregne synsfeltet til Google Street View-kameraene mot data fra OpenStreetMap.

Begrensende faktorer

Forskerne innrømmer en rekke begrensende faktorer som bør vurderes ved gjennomgang av resultatene.

For det første at kameraene identifisert av maskinlæringssystemet alle senere ble verifisert eller negert av menneskelig vurdering, og at denne gjennomgangen er en feilbar prosess.

For det andre var studien begrenset av den tilgjengelige oppløsningen til Street View-bildene, som begrenset forskerne til å identifisere kameraer plassert innenfor tretti meter fra POV. Dette betyr ikke bare at noen kameraer kan ha blitt "oppfunnet" gjennom begrenset oppløsning, men også at mange utenfor dette området (som høynivåkameraer, skjulte plasseringer og mikrokameraer i ringeklokkebeslag) sannsynligvis ikke har blitt identifisert.

Til slutt kan estimering av byspesifikk modellgjenkalling være en begrensende faktor for nøyaktigheten av resultatene, siden byen San Francisco, der frekvensen av overvåkingskamera allerede var merket i tidligere arbeid fra EFF, ble brukt på andre jurisdiksjoner for å gjøre studie mulig.