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 înregistrare vizuală a 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 mină de date bogată pentru analiza machine learning. În afara tendinței sale 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 medii urbane, identifica stâlpi de utilități, clasifica clădiri și estima structura demografică a cartierelor din SUA, printre multe alte inițiative.

Statistici limitate despre difuzarea camerelor de supraveghere în Statele Unite

În ciuda utilizării largi 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 numărul mic disponibil care oferă această funcționalitate, deși include mai puțin de 20 de camere video publice etichetate în Statele Unite.

Multă parte a infrastructurii de supraveghere video din SUA se intersectează cu statul doar atunci când autoritățile solicită imagini de confirmare după incidente locale care ar fi putut 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 furniza statistici exacte despre numărul de camere cu vedere publică în 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 video în imagini 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 video 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 majore din SUA și șase alte orașe majore 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 camere de 1.600. În ciuda acestui fapt, New York City are mult mai multe camere (10.100) dispersate pe o suprafață mai mare. Source: 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 au fost identificate 13.000 de camere pentru imagini Street View ale Londrei, Paris-ul bate acest record 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 limitanți pentru acuratețea anchetei (pe care îi vom aborda mai târziu), 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 de descurajare” este din ce în ce mai obiectabil sau controversat în zonele rezidențiale, făcând plasările mascate sau discrete mai probabile.

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

În zonele în care o majoritate etnică sau minoritară este definită de recensământ, frecvența plasării camerelor crește semnificativ, chiar și cu toți factorii atenuanți 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 condusă pe două perioade de timp, 2011–2015 și 2016–2020. Deși datele arată o creștere consistentă și uneori anormală 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”.

Metodologie

Cercetătorii au compilat inițial două seturi de date ale imaginilor 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 validare (al San Francisco – vezi “Factori limitanți” 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 derivate algoritmic. Dreapta, o plasare verificată de om.

În cele din urmă, cadrul a calculat unghiul de vedere al unghiurilor de cameră implicate pentru a estima extinderea 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 se asigura că studiul a fost limitat la limitele administrative ale fiecărui oraș. În plus, proiectul a utilizat datele despre locația camerelor din San Francisco dintr-un studiu al Fundației Frontieră Electronică (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 limitanți

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

Mai întâi, că camerele identificate de sistemul de machine learning au fost toate ulterior verificate sau negate de o revizuire umană, și că această revizuire este un proces falibil.

În al doilea rând, studiul a fost limitat de rezoluția disponibilă a imaginilor Street View, care a restricționat cercetătorii să identifice camerele plasate în interiorul a treizeci de metri de POV. Acest lucru nu numai că a făcut ca unele camere să fie “inventate” prin rezoluție limitată, dar a făcut și ca multe 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 limitant 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 la alte jurisdicții pentru a face studiul fezabil.