Å bestemme omfanget av videoovervåking gjennom Google Street View-data

Google Street Views kontinuerlige dekning av verdens veier og gater representerer kanskje den mest komplette, konsistente og koherente visuelle rekorden av globalt samfunn, med unntak av land som innfører forbud på søkegigantens datainnsamlingskjøretøy.

Som en inntektsgenererende bidragsyter til Google Maps-infrastrukturen, er Google Street View-panoptikon en rik dataåre for maskinlæringsanalyse. Foruten dens evne til å uforvarende fange kriminelle handlinger, har det blitt brukt til å estimere regional inntekt fra bilkvalitet i Google Street View-bilder, vurdere grøntområder i urbane miljøer, identifisere strømmaster, klassifisere bygninger og estimere den demografiske sammensetningen av amerikanske nabolag, blant mange andre initiativer.

Begrensede statistikker om overvåkingskameraer i USA

Til tross for omfattende bruk av Google Maps-data for sosialt bevisste maskinlæringsinitiativer, finnes det svært få Street View-baserte datasett som inkluderer merketekster av overvåkingskameraer. Mapillary Vistas-datasettet er blant de få tilgjengelige som tilbyr denne funksjonaliteten, selv om det inkluderer mindre enn 20 merketekster offentlige videoovervåkingskameraer i USA.

Mye av videoovervåkingsinfrastrukturen i USA møter bare staten når myndighetene krever bekreftende opptak etter lokale hendelser som kan ha blitt innspilt. Forbi soningsregler og i sammenheng med permissive personvernslover som gjør lite for å håndtere privat overvåking av offentlige områder, finnes det ingen føderal administrativ ramme som kan gi harde statistikker over antallet offentlige overvåkingskameraer i USA.

Anekdotiske data og begrensede undersøkelser hevder at videoovervåkingskameraer i USA kan være på linje med Kina, men det er ikke lett å bevise.

Identifisere videoovervåkingskameraer i Google Street View-bilder

Med tanke på denne mangelen på tilgjengelige data, har forskere fra Stanford University gjennomført en studie om forekomsten, hyppigheten og fordelingen av offentlige videoovervåkingskameraer som kan identifiseres i Google Street View-bilder.

Forskerne skapte en kamera-detekteringsramme som vurderte 1,6 millioner Google Street View-bilder over 10 større amerikanske byer og seks andre større byer i Asia og Europa.

I nedadgående rekkefølge av kameratetthet, toppet Boston listen over de amerikanske byene som ble undersøkt i studien, med en 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) spredt over et større område. Kilde: https://arxiv.org/pdf/2105.01764.pdf

Av amerikanske byer, hadde Boston den høyeste tettheten av identifiserte kameraer, mens New York City har det høyeste antallet kameraer på 10 100, spredt over et større område. I Asia, har Tokyo et massivt antall på 21 700 estimerte kameraer, men Seoul har et mindre antall kameraer (13 900) konsentrert mye tettere. Til tross for at 13 000 kameraer ble identifisert for Street View-bilder av London, slo Paris dette både i antall identifiserte plasseringer (13 000) og tetthet av dekning.

Forskerne observerer at kameratetthet varierer mye mellom nabolag og soner i byene.

Blant andre begrensninger 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 blandede soner – antagelig fordi «avskrekkingseffekten» øker kontroversielt i boligområder, noe som gjør kamuflerte eller diskrete plasseringer mer sannsynlige.

Ved å ta hensyn til byene som ble studert i Europa og Asia, har Seoul førsteplassen som den mest overvåkede urbane miljøet, med Paris ikke langt bak.

Hvor en sone har en folketelling-definert majoritet av etniske eller minoritetsinnbyggere, øker hyppigheten av kameraplasseringer betydelig, selv med alle begrensninger tatt i betraktning av Stanford-forskerne.

Overvåkingskamerahyppighet øker i direkte proporsjon til økt minoritetsdemografi i et nabolag, ifølge Stanford-forskningen.

Undersøkelsen ble gjennomført over to tidsperioder, 2011–2015 og 2016–2020. Til tross for at dataene viser konsistent og iblant avvikende vekst av overvåkingskameraplasseringer over niårsperioden, foreslår forskerne at denne spredningen av overvåkingskameraer kan ha nådd en «midlertidig platå».

Metodologi

Forskerne samlet innledningsvis to datasett av Street View-bilder, ett av dem uten videoovervåkingskameraplasseringer, og genererte segmenteringsmasker for disse. En segmenteringsmodell ble trent på disse datasettene mot en valideringsdataset (av San Francisco – se «Begrensninger» nedenfor).

Så ble utgangsmodellen kjørt mot tilfeldige Street View-bilder, med alle positive kameradeteksjoner bekreftet av mennesker, og feilpositive fjernet.

Venstre, det rå bildet fra Google Street View. Neste, den tilpassede segmenteringsmasken. Tredje, en algoritme-derivert kameradeteksjon. Høyre, en menneske-verifisert plassering.

Til slutt beregnede rammen synsfeltet av kamera-vinklene for å estimere omfanget av dekning, sammenlignet med bygningers fotavtrykk og veinettets spesifikasjoner.

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

Forskerne estimerte dekning ved å beregne synsfeltet av Google Street View-kameraer mot data fra OpenStreetMap.

Begrensninger

Forskerne innrømmer en rekke begrensninger som bør tas i betraktning når resultater vurderes.

Først og fremst, at kameraene som ble identifisert av maskinlæringsystemet ble bekreftet eller negert av menneskelig gjennomgang, og at denne gjennomgangen er en feilbar prosess.

For det andre, var studien begrenset av den tilgjengelige oppløsningen av Street View-bilder, som begrenset forskerne til å identifisere kameraer plassert innen 30 meter fra POV. Dette betyr ikke bare at noen kameraer kan ha blitt «oppfunnet» gjennom begrenset oppløsning, men også at mange utenfor dette området (slik som høytliggende kameraer, skjulte plasseringer og mikro-kameraer i dørklokkeinnretninger) sannsynligvis ikke ble identifisert.

Til slutt, kan estimat av byspesifikke modell-gjenkallelse være en begrensning i nøyaktigheten av resultater, ettersom byen San Francisco, hvor overvåkingskamerahyppighet allerede var merket i tidligere arbeid fra EFF, ble brukt på andre jurisdiksjoner for å gjøre studien gjennomførbar.