การตรวจตรา
การกำหนดขอบเขตของการเฝ้าระวังวิดีโอผ่านข้อมูล Google Street View
การครอบคลุมเส้นทางสัญจรทั่วโลกอย่างต่อเนื่องของ Google Street View แสดงถึงการบันทึกภาพสังคมโลกที่สมบูรณ์ สอดคล้องและเชื่อมโยงกันมากที่สุด ยกเว้นประเทศที่ กำหนดข้อห้าม บนยานพาหนะรวบรวมข้อมูลของยักษ์ใหญ่ด้านการค้นหา
ในฐานะผู้สร้างรายได้ให้กับโครงสร้างพื้นฐานของ Google Maps panopticon ของ Google Street View จึงเป็นรอยต่อข้อมูลที่สมบูรณ์สำหรับการวิเคราะห์การเรียนรู้ของเครื่อง นอกจากความโน้มเอียงที่จะจับกุมการกระทำผิดทางอาญาโดยไม่รู้ตัวแล้ว ยังเคยชินกับมันด้วย ประมาณการรายได้ของภูมิภาค จากคุณภาพรถในภาพ Google Street View ประเมินความเขียวขจี ในสภาพแวดล้อมในเมือง ระบุเสาไฟฟ้า, จำแนกประเภทอาคาร และ ประมาณการ ส่วนประกอบทางประชากรศาสตร์ของย่านต่างๆ ในสหรัฐอเมริกา ท่ามกลางความคิดริเริ่มอื่นๆ อีกมากมาย
สถิติที่จำกัดเกี่ยวกับการแพร่กระจายของกล้องวงจรปิดในสหรัฐอเมริกา
แม้จะมีการใช้ข้อมูล Google Maps อย่างกว้างขวางสำหรับโครงการริเริ่มการเรียนรู้ด้วยเครื่องที่ตระหนักรู้ทางสังคม แต่ก็มีชุดข้อมูลแบบ Street View น้อยมากที่มีตัวอย่างกล้องวงจรปิดที่ติดป้ายไว้ เดอะ ชุดข้อมูล Mapillary Vistas เป็นหนึ่งในจำนวนน้อยที่มีฟังก์ชันนี้ แม้ว่าจะมีกล้องวิดีโอสาธารณะที่มีป้ายกำกับน้อยกว่า 20 ตัวในสหรัฐอเมริกา
โครงสร้างพื้นฐานกล้องวงจรปิดส่วนใหญ่ในสหรัฐฯ จะตัดผ่านรัฐเมื่อเจ้าหน้าที่ต้องการฟุตเทจยืนยันหลังจากเหตุการณ์ในท้องถิ่นที่อาจได้รับการบันทึกไว้ นอกเหนือจากข้อบังคับการแบ่งเขตและในบริบทของกฎหมายความเป็นส่วนตัวที่อนุญาตซึ่งแทบไม่มีการจัดการกับการสอดแนมพื้นที่สาธารณะส่วนตัว ไม่มีกรอบการบริหารของรัฐบาลกลาง ที่สามารถให้สถิติที่ชัดเจนเกี่ยวกับจำนวนกล้องที่เปิดเผยต่อสาธารณะในสหรัฐอเมริกา
ข้อมูลโดยสังเขปและการสำรวจที่จำกัดยืนยันว่ากล้องวิดีโออาจแพร่ระบาดในสหรัฐอเมริกา ทัดเทียมกับจีนแต่ก็ไม่ง่ายที่จะพิสูจน์
การระบุกล้องวิดีโอในภาพ Google Street View
เมื่อพิจารณาถึงการขาดแคลนข้อมูลที่มีอยู่ นักวิจัยจากมหาวิทยาลัยสแตนฟอร์ดได้ ดำเนินการศึกษา ความแพร่หลาย ความถี่ และการกระจายของกล้องวิดีโอที่เปิดเผยต่อสาธารณะซึ่งสามารถระบุได้ในภาพ Google Street View
นักวิจัยได้สร้างกรอบการตรวจจับของกล้องที่ประเมินภาพ Google Street View จำนวน 1.6 ล้านภาพใน 10 เมืองใหญ่ของสหรัฐฯ และอีก XNUMX เมืองใหญ่ในเอเชียและยุโรป
ในบรรดาเมืองต่างๆ ของสหรัฐฯ บอสตันเป็นเมืองที่สูงที่สุด ของกล้องที่ระบุในขณะที่นิวยอร์กซิตี้มีสูงสุด จำนวน ของกล้องที่ 10,100 กระจายไปในระยะทางที่ไกลขึ้น ในเอเชีย โตเกียวมีกล้องประมาณ 21,700 ตัว แต่โซลมีจำนวนกล้องน้อยกว่า (13,900 ตัว) กระจุกตัวหนาแน่นกว่ามาก แม้ว่าจะมีการระบุกล้อง 13,000 ตัวสำหรับภาพ Street View ของลอนดอน แต่ปารีสก็เอาชนะสิ่งนี้ทั้งในแง่ของตำแหน่งที่ระบุ (13,00) และความหนาแน่นของการครอบคลุม
นักวิจัยสังเกตเห็นว่าความหนาแน่นของกล้องแตกต่างกันอย่างมากระหว่างย่านและโซนของเมือง
ท่ามกลางปัจจัยจำกัดอื่นๆ สำหรับความแม่นยำของแบบสำรวจ (ซึ่งเราจะกล่าวถึง) นักวิจัยสังเกตว่ากล้องในพื้นที่พักอาศัยนั้นยากต่อการระบุมากกว่ากล้องที่อยู่ในสวนสาธารณะ พื้นที่อุตสาหกรรม และเขตการใช้งานผสมถึง XNUMX เท่า ซึ่งสันนิษฐานได้ว่า เนื่องจากเอฟเฟกต์ 'ยับยั้ง' เป็นสิ่งที่น่ารังเกียจหรือขัดแย้งมากขึ้นในเขตที่อยู่อาศัย ทำให้การพรางตัวหรือตำแหน่งที่รอบคอบมีแนวโน้มมากขึ้น
เมื่อพิจารณาถึงเมืองที่ศึกษาในยุโรปและเอเชียแล้ว กรุงโซลมีสภาพแวดล้อมในเมืองที่ได้รับการเฝ้าระวังมากที่สุด โดยมีปารีสอยู่ไม่ไกล
เมื่อโซนหนึ่งมีประชากรกลุ่มชาติพันธุ์หรือชนกลุ่มน้อยตามการสำรวจสำมะโนประชากร ความถี่ของการจัดวางกล้องจะพุ่งสูงขึ้นอย่างเห็นได้ชัด แม้จะมีปัจจัยบรรเทาทั้งหมดที่นำมาพิจารณาโดยนักวิจัยของสแตนฟอร์ดก็ตาม
การวิจัยดำเนินการในสองช่วงเวลาคือ 2011–2015 และ 2016–2020 แม้ว่าข้อมูลดังกล่าวจะแสดงให้เห็นการเติบโตของตำแหน่งกล้องวงจรปิดอย่างสม่ำเสมอและบางครั้งก็ผิดปกติในช่วงระยะเวลาเก้าปี แต่นักวิจัยแนะนำว่าการเพิ่มจำนวนของกล้องวงจรปิดนี้อาจถึง 'ที่ราบสูงชั่วคราว'
ระเบียบวิธี
ในตอนแรก นักวิจัยได้รวบรวมชุดข้อมูล XNUMX ชุดของภาพ Street View ชุดหนึ่งไม่มีตำแหน่งของกล้องวิดีโอ และสร้างมาสก์แบ่งส่วนสำหรับชุดข้อมูลเหล่านี้ โมเดลการแบ่งกลุ่มได้รับการฝึกอบรมในชุดข้อมูลเหล่านี้เทียบกับชุดข้อมูลการตรวจสอบความถูกต้อง (ของซานฟรานซิสโก – ดู 'ปัจจัยจำกัด' ด้านล่าง)
จากนั้นโมเดลผลลัพธ์จะถูกเรียกใช้กับภาพ Street View แบบสุ่ม โดยการตรวจหากล้องที่เป็นบวกทั้งหมดได้รับการยืนยันโดยมนุษย์ และนำผลบวกปลอมออก
ประการสุดท้าย กรอบนี้คำนวณขอบเขตการมองเห็นของมุมกล้องที่เกี่ยวข้องเพื่อประเมินขอบเขตการครอบคลุม เทียบกับรอยเท้าของอาคารที่เกี่ยวข้อง และข้อกำหนดของเครือข่ายถนน
ข้อมูลอื่นๆ ที่สนับสนุนสำหรับเมทริกซ์นี้รวมถึงข้อกำหนดเฉพาะของอาคารจาก OpenStreetMap และการใช้แผนที่สำมะโนประชากรของสหรัฐฯ เพื่อให้แน่ใจว่าการศึกษาจำกัดอยู่ในเขตการปกครองของแต่ละเมือง นอกจากนี้ โครงการยังใช้ข้อมูลตำแหน่งของกล้องในซานฟรานซิสโกจาก ศึกษา โดย Electronic Frontier Foundation (EFF) โดยสามารถเข้าถึงภาพ Google Street View ผ่านทาง API แบบคงที่.
ปัจจัย จำกัด
นักวิจัยยอมรับปัจจัยจำกัดหลายประการที่ควรพิจารณาเมื่อตรวจสอบผลลัพธ์
ประการแรก กล้องที่ระบุโดยระบบแมชชีนเลิร์นนิงนั้นได้รับการตรวจสอบหรือปฏิเสธโดยการตรวจสอบของมนุษย์ในภายหลัง และการตรวจสอบนี้เป็นกระบวนการที่ผิดพลาด
ประการที่สอง การศึกษาถูกจำกัดด้วยความละเอียดที่มีอยู่ของภาพ Street View ซึ่งจำกัดนักวิจัยในการระบุกล้องที่วางในระยะสามสิบเมตรจาก POV นี่ไม่เพียงหมายความว่ากล้องบางตัวอาจถูก 'ประดิษฐ์ขึ้น' ด้วยความละเอียดที่จำกัด แต่ยังรวมถึงกล้องหลายตัวที่อยู่นอกขอบเขตนี้ (เช่น กล้องระดับสูง ตำแหน่งที่ถูกบดบัง และกล้องขนาดเล็กในอุปกรณ์กริ่งประตู) มีแนวโน้มที่จะไม่ได้รับการระบุ
ประการสุดท้าย การประมาณค่าการเรียกคืนแบบจำลองเฉพาะเมืองอาจเป็นปัจจัยจำกัดความแม่นยำของผลลัพธ์ เนื่องจากเมืองซานฟรานซิสโกซึ่งมีการระบุความถี่ของกล้องวงจรปิดไว้ในงานก่อนหน้านี้จาก EFF แล้ว ถูกนำไปใช้กับเขตอำนาจศาลอื่นๆ เพื่อทำให้ การศึกษาเป็นไปได้