Google Sokak Görünümü Verileri Üzerinden Video İzleme Kapsamının Belirlenmesi

Google Sokak Görünümü'nün dünyanın anayollarını sürekli olarak kapsaması, aşağıdaki ülkeler haricinde, muhtemelen küresel toplumun en eksiksiz, tutarlı ve tutarlı görsel kaydını temsil eder: yasaklar koymak arama devinin gezici veri toplama araçlarında.

Google Haritalar'ın altyapısına gelir sağlayan bir katkı sağlayan Google Street View panoptikonu, makine öğrenimi analizi için zengin bir veri dikişidir. Farkında olmadan suç eylemlerini yakalama eğiliminin yanı sıra, bölgesel geliri tahmin et Google Sokak Görünümü resimlerinde araba kalitesinden, yeşillik değerlendirmek kentsel ortamlarda, elektrik direklerini tanımlayın, binaları sınıflandırmak ve tahmin diğer birçok girişimin yanı sıra ABD mahallelerinin demografik yapısı.

Amerika Birleşik Devletleri'nde Gözetleme Kamerası Yayılımına İlişkin Sınırlı İstatistikler

Sosyal açıdan bilinçli makine öğrenimi girişimleri için Google Haritalar'ın verilerinin geniş kullanımına rağmen, güvenlik kameralarının etiketli örneklerini içeren çok az sayıda Sokak Görünümü tabanlı veri kümesi vardır. bu Mapillary Vistas veri kümesi Amerika Birleşik Devletleri'nde 20'den az etiketli genel video kamera içermesine rağmen, bu işlevi sunan mevcut az sayıdaki şirketten biridir.

ABD'deki video gözetim altyapısının çoğu, yalnızca yetkililer kaydedilmiş olabilecek yerel olaylardan sonra doğrulayıcı görüntüleri talep ettiğinde Eyaletle kesişir. İmar düzenlemelerinin ötesinde ve kamusal alanların özel gözetimine çok az değinen müsamahakar mahremiyet yasaları bağlamında, federal idari çerçeve yok ABD'deki kamuya bakan kameraların sayısı hakkında kesin istatistikler sağlayabilir.

Anekdot niteliğindeki veriler ve sınırlı anketler, ABD'deki video kamera yayılımının Çin ile aynı seviyede, ama kanıtlamak kolay değil.

Google Sokak Görünümü Görüntülerinde Video Kameraları Tanımlama

Mevcut verilerdeki bu eksikliği göz önünde bulunduran Stanford Üniversitesi'nden araştırmacılar, bir çalışma yaptı Google Street View görüntülerinde tanımlanabilecek halka açık video kameraların yaygınlığı, sıklığı ve dağılımı.

Araştırmacılar, 1.6 büyük ABD şehrinde ve Asya ile Avrupa'daki diğer altı büyük şehirde 10 milyon Google Sokak Görünümü görüntüsünü değerlendiren bir kamera algılama çerçevesi oluşturdu.

Azalan kamera yoğunluğu sıralamasında, Boston, 0.63'lük yeni veya mevcut yoğunluk ve 1,600'lük toplam kamera sayısı ile araştırmada incelenen ABD şehirleri listesinin başında geliyor. Buna rağmen, New York City'de daha geniş bir alana dağılmış çok daha fazla kamera (10,100) var. Kaynak: https://arxiv.org/pdf/2105.01764.pdf

ABD şehirleri arasında Boston'un en yüksek yoğunluk tespit edilen kameraların sayısı, New York City en yüksek numara 10,100 kamera, daha geniş bir mesafeye yayılmış. Asya'da Tokyo'nun tahmini 21,700 devasa kamerası var, ancak Seul çok daha yoğun bir şekilde yoğunlaşmış daha az sayıda kameraya (13,900) sahip. Londra'nın Sokak Görünümü görüntüleri için 13,000 kamera tanımlanmış olsa da, Paris bunu hem belirlenen yerleşimler (13,00) hem de kapsama yoğunluğu açısından geride bırakıyor.

Araştırmacılar, kamera yoğunluğunun şehirlerin mahalleleri ve bölgeleri arasında büyük farklılıklar gösterdiğini gözlemliyor.

Araştırmacılar, anketin doğruluğu için diğer sınırlayıcı faktörlerin yanı sıra (bu konuya geleceğiz), yerleşim bölgelerindeki kameraların tespitinin, halka açık parklara, endüstriyel alanlara ve karma kullanımlı bölgelere yerleştirilenlere göre üç kat daha zor olduğunu gözlemliyor. çünkü yerleşim bölgelerinde 'caydırıcı' etki giderek daha fazla sakıncalı veya tartışmalı hale geliyor ve bu da kamufle edilmiş veya gizli yerleşimleri daha olası hale getiriyor.

Avrupa ve Asya'da incelenen şehirler göz önünde bulundurulduğunda, Seul en çok izlenen kentsel çevre olarak bir numaraya sahiptir ve Paris de çok geride değildir.

Bir bölgede nüfus sayımına göre tanımlanmış etnik veya azınlık sakinlerinin çoğunlukta olduğu yerlerde, Stanford araştırmacıları tarafından tüm hafifletici faktörler dikkate alınsa bile, kamera yerleşimlerinin sıklığı önemli ölçüde artar.

Stanford araştırmasına göre, gözetleme kamerası frekansı, bir mahalledeki artan azınlık demografisiyle doğru orantılı olarak artıyor.

Araştırma, 2011–2015 ve 2016–2020 olmak üzere iki zaman diliminde gerçekleştirildi. Veriler, dokuz yıllık dönem boyunca gözetleme kamerası yerleşiminde tutarlı ve bazen anormal bir artış gösterse de, araştırmacılar, güvenlik kameralarındaki bu çoğalmanın "geçici bir platoya" ulaşmış olabileceğini öne sürüyorlar.

metodoloji

Araştırmacılar başlangıçta, birinde video kamera yerleşimi olmayan iki Street View görüntüsü veri seti derlediler ve bunlar için segmentasyon maskeleri oluşturdular. Bir doğrulama veri kümesine karşı bu veri kümeleri üzerinde bir segmentasyon modeli eğitildi (San Francisco - aşağıdaki 'Sınırlayıcı Faktörler'e bakın).

Daha sonra çıktı modeli, tüm pozitif kamera algılamaları insanlar tarafından onaylanarak ve yanlış pozitifler ortadan kaldırılarak rastgele Sokak Görünümü görüntülerine karşı çalıştırıldı.

Solda, Google Sokak Görünümü'nden ham görüntü. Ardından, uyarlanmış segmentasyon maskesi. Üçüncüsü, algoritmik olarak türetilmiş bir kamera tanımlaması. Doğru, insan tarafından doğrulanmış bir yerleşim.

Son olarak, çerçeve, kapsama alanını tahmin etmek için ilgili binaların ayak izlerine ve yol ağının özelliklerine göre harmanlanan kamera açılarının görüş alanını hesapladı.

Bu matrise katkıda bulunan diğer veriler arasında OpenStreetMap'ten bina özellikleri ve çalışmanın her şehrin idari sınırlarıyla sınırlandırılmasını sağlamak için ABD nüfus sayımı haritalarının kullanımı yer alıyordu. Ek olarak, proje, San Francisco kamera konumu verilerini kullandı. ders çalışma Electronic Frontier Foundation (EFF) tarafından, Google Street View görüntüleri aracılığıyla erişilen Statik API.

Araştırmacılar, OpenStreetMap'ten alınan verilere karşı Google Sokak Görünümü kameralarının görüş alanını hesaplayarak kapsamı tahmin ettiler.

Sınırlayıcı faktörler

Araştırmacılar, sonuçları gözden geçirirken göz önünde bulundurulması gereken bir dizi sınırlayıcı faktörü kabul ediyor.

İlk olarak, makine öğrenimi sistemi tarafından tanımlanan kameraların tümü daha sonra insan incelemesiyle doğrulandı veya reddedildi ve bu inceleme yanılabilir bir süreç.

İkinci olarak, çalışma, araştırmacıları POV'un otuz metre yakınına yerleştirilmiş kameraları belirlemeye sınırlayan Sokak Görünümü görüntülerinin mevcut çözünürlüğü ile sınırlıydı. Bu, yalnızca bazı kameraların sınırlı çözünürlükle 'icat edilmiş' olabileceği anlamına gelmez, aynı zamanda bu alanın dışındaki pek çok kişinin (yüksek seviyeli kameralar, gizlenmiş yerleşimler ve kapı zili donanımlarındaki mikro kameralar gibi) muhtemelen tanımlanmamış olduğu anlamına gelir.

Son olarak, EFF'nin önceki çalışmasında gözetleme kamerası frekansının zaten etiketlenmiş olduğu San Francisco şehri, diğer yetki alanlarına uygulandığından, şehre özgü model hatırlamanın tahmin edilmesi, sonuçların doğruluğunda sınırlayıcı bir faktör olabilir. çalışma yapılabilir.