Determinarea Extinderii Supravegherii Video prin Datele Google Street View

Acoperirea continuă a Google Street View a drumurilor lumii reprezintă probabil cel mai complet, consistent și coerent registru vizual al societății globale, cu excepția țărilor care impun interdicții asupra vehiculelor de colectare a datelor ale gigantului căutării.

Ca contributor care aduce venituri pentru infrastructura Google Maps, panopticonul Google Street View este o bogată sursă de date pentru analiza machine learning. Pe lângă capacitatea sa de a captura involuntar acte criminale, a fost utilizat pentru a estima venitul regional din calitatea mașinilor în imagini Google Street View, evalua verdeața în mediile urbane, identifica stâlpi de utilități, clasifica clădiri și estimează structura demografică a cartierelor din SUA, printre multe alte inițiative.

Statistici Limitate privind Difuzarea Camerelor de Supraveghere în Statele Unite

În ciuda utilizării extinse a datelor Google Maps pentru inițiativele de machine learning conștiente social, există foarte puține seturi de date bazate pe Street View care includ exemple etichetate de camere de supraveghere. Setul de date Mapillary Vistas este printre puținele disponibile care oferă această funcționalitate, deși include mai puțin de 20 de camere video publice etichetate în Statele Unite.

Marea majoritate a infrastructurii de supraveghere video din SUA se intersectează cu statul doar atunci când autoritățile cer imagini de confirmare după incidente locale care ar putea fi înregistrate. Dincolo de reglementările de zonare și în contextul legilor de confidențialitate permissive care nu fac prea mult pentru a aborda supravegherea privată a spațiilor publice, nu există un cadru administrativ federal care să poată oferi statistici exacte despre numărul de camere publice din SUA.

Datele anecdotice și sondajele limitate susțin că difuzarea camerelor video în SUA poate fi la fel ca în China, dar nu este ușor de demonstrat.

Identificarea Camerelor de Supraveghere în Imaginile Google Street View

Luând în considerare această lipsă de date disponibile, cercetătorii de la Universitatea Stanford au conduit un studiu asupra prevalenței, frecvenței și distribuției camerelor de supraveghere publice care pot fi identificate în imagini Google Street View.

Cercetătorii au creat un cadru de detectare a camerelor care a evaluat 1,6 milioane de imagini Google Street View în 10 orașe mari din SUA și șase alte orașe mari din Asia și Europa.

În ordine descrescătoare a densității camerelor, Boston se situează pe primul loc în lista orașelor examinate în cercetare, cu o densitate recentă sau curentă de 0,63 și un număr total de 1.600 de camere. În ciuda acestui fapt, New York City are mult mai multe camere (10.100) dispersate pe o suprafață mai mare. Sursă: https://arxiv.org/pdf/2105.01764.pdf

Dintre orașele din SUA, Boston a fost găsit să aibă cea mai mare densitate de camere identificate, în timp ce New York City are cel mai mare număr de camere, cu 10.100, dispersate pe o distanță mai mare. În Asia, Tokyo are o cantitate masivă de 21.700 de camere estimate, dar Seoul are un număr mai mic de camere (13.900) concentrate mult mai dens. Deși 13.000 de camere au fost identificate pentru imagini Street View din Londra, Paris depășește acest număr atât în ceea ce privește plasarea identificată (13.000), cât și densitatea de acoperire.

Cercetătorii observă că densitatea camerelor variază foarte mult între cartierele și zonele orașelor.

Printre alți factori limită pentru acuratețea anchetei (pe care îi vom aborda mai jos), cercetătorii observă că camerele din zonele rezidențiale sunt de trei ori mai greu de identificat decât cele plasate în parcuri publice, zone industriale și zone mixte – probabil pentru că efectul “descurajator” este din ce în ce mai obiectabil sau controversat în zonele rezidențiale, făcând plasările camuflate sau discrete mai probabile.

Luând în considerare orașele studiate în Europa și Asia, Seoul are locul I ca mediu urban cel mai supravegheat, cu Paris nu foarte departe.

În zonele în care o majoritate de rezidenți etnici sau minoritari este definită de recensământ, frecvența plasării camerelor crește semnificativ, chiar și după ce toți factorii atenuanți au fost luați în considerare de cercetătorii de la Stanford.

Frecvența camerelor de supraveghere crește direct proporțional cu creșterea demografiei minoritare într-un cartier, conform cercetării Stanford.

Cercetarea a fost efectuată în două perioade de timp, 2011–2015 și 2016–2020. Deși datele arată o creștere consistentă și uneori aberantă a plasării camerelor de supraveghere pe parcursul celor nouă ani, cercetătorii sugerează că această proliferare a camerelor de supraveghere poate fi atinsă un “platou temporar”.

Metodologia

Cercetătorii au compilat inițial două seturi de date cu imagini Street View, unul dintre care nu a prezentat plasări de camere video, și au generat măști de segmentare pentru acestea. Un model de segmentare a fost instruit pe aceste seturi de date împotriva unui set de date de validare (din San Francisco – vezi “Factori limită” mai jos).

Apoi, modelul de ieșire a fost rulat împotriva unor imagini Street View aleatorii, cu toate detectările pozitive de camere confirmate de oameni și cu eliminarea falselor pozitive.

Stânga, imaginea brută din Google Street View. Următoarea, masca de segmentare adaptată. A treia, o identificare a camerei derivată algoritmic. Dreapta, o plasare verificată de om.

În cele din urmă, cadrul a calculat unghiul de vedere al camerelor implicate pentru a estima amploarea acoperirii, colectate împotriva amprentelor clădirilor implicate și a specificațiilor rețelei de drumuri.

Alte date contributive pentru această matrice au inclus specificații de clădiri de la OpenStreetMap și utilizarea hărților de recensământ din SUA pentru a asigura că studiul a fost limitat la limitele administrative ale fiecărui oraș. De asemenea, proiectul a utilizat datele despre locațiile camerelor din San Francisco dintr-un studiu al Fundației Electronic Frontier (EFF), cu imaginile Google Street View accesate prin Static API.

Cercetătorii au estimat acoperirea prin calcularea unghiului de vedere al camerelor Google Street View împotriva datelor de la OpenStreetMap.

Factori limită

Cercetătorii recunosc o serie de factori limită care ar trebui luați în considerare la examinarea rezultatelor.

Mai întâi, faptul că toate camerele identificate de sistemul de machine learning au fost ulterior verificate sau negate de oameni, și că această revizuire este un proces supus erorilor.

În al doilea rând, studiul a fost limitat de rezoluția disponibilă a imaginilor Street View, care a restricționat cercetătorii să identifice camere plasate la o distanță de treizeci de metri de punctul de vedere. Acest lucru nu numai că a făcut ca unele camere să fie “inventate” prin rezoluție limitată, dar a făcut și ca multe camere din afara acestei zone (cum ar fi camerele de nivel înalt, plasările obscure și micro-camerele din monturile ușilor) să nu fie identificate.

În cele din urmă, estimarea modelului de recunoaștere specific orașului poate fi un factor limită în acuratețea rezultatelor, deoarece orașul San Francisco, unde frecvența camerelor de supraveghere a fost deja etichetată într-un studiu anterior al EFF, a fost aplicat altor jurisdicții pentru a face studiul fezabil.