Video Gözetiminin Google Street View Verileri ile Belirlenmesi

Google Street View’un世界’in yol güzergahlarının sürekli kapsamı, muhtemelen küresel toplumun en eksiksiz, tutarlı ve koherent görsel kaydını temsil etmektedir, Google’ın dolaşan veri toplama araçlarına yasak getiren ülkeler hariç.

Google Haritalar altyapısına gelir getiren bir katkı olarak, Google Street View panoptikonu, makine öğrenimi analizi için zengin bir veri madenidir. Suç işlerini bilinçsizce yakalama eğilimine ek olarak, bölgesel gelirin tahmini için Google Street View görüntülerindeki araba kalitesinden, kent ortamlarındaki yeşillendirme değerlendirmesi, iletim direklerinin tanımı, bina sınıflandırması ve ABD mahallelerinin demografik yapısının tahmini gibi birçok girişimde kullanılmıştır.

Amerika Birleşik Devletleri’nde Güvenlik Kamerası Dağılımı ile İlgili Sınırlı İstatistikler

Google Haritalar verilerinin sosyal olarak farkında olan makine öğrenimi girişimlerinde geniş kullanımına rağmen, etiketlenmiş örnekler içeren Street View tabanlı veri setleri çok azdır. Mapillary Vistas veri seti, bu işlevselliği sunan mevcut birkaç veri setinden biridir, ancak ABD’de yalnızca 20’den az etiketlenmiş kamu video kamerası içerir.

ABD’deki video gözetim altyapısının çoğu, yalnızca yerel olaylar之后 yetkililerin potvrleyici görüntüler talep ettiği zaman devletle kesişir. Zonlama düzenlemelerine ek olarak ve kamu alanlarının özel gözetimine karşı koymayan permissive gizlilik yasaları bağlamında, ABD’deki kamu odaklı kameraların sayısı ile ilgili kesin istatistikler sağlayabilecek federal idari çerçeve yoktur.

İddi veri ve sınırlı anketler, ABD’deki video kamera dağılımının Çin’le aynı düzeyde olabileceğini öne sürse de, bunu kanıtlamak kolay değildir.

Google Street View Görüntülerinde Video Kameraların Tanınması

Bu veri seti açığını dikkate alarak, Stanford Üniversitesi’nden araştırmacılar, bir çalışma yapmışlardır.

Araştırmacılar, 10 büyük ABD şehri ve Asya ile Avrupa’daki diğer altı büyük şehirde 1,6 milyon Google Street View görüntüsünü değerlendiren bir kamera algılama çerçevesi oluşturdular.

Araştırmada incelenen ABD şehirleri arasında, Boston kamera yoğunluğu açısından listenin başında yer almaktadır. Kaynak: https://arxiv.org/pdf/2105.01764.pdf

ABD şehirleri arasında Boston, tanımlanan kameraların yoğunluğu açısından en yüksek değere sahipken, New York City’nin 10.100 kamera ile en fazla kamera sayısına sahiptir. Asya’da Tokyo’da 21.700 tahmin edilen kamera bulunurken, Seul’de daha az kamera (13.900) daha yoğun bir şekilde yerleştirilmiştir. Londra için 13.000 kamera tanımlanırken, Paris hem tanımlanan yerleştirme hem de yoğunluk açısından daha yüksek değerlere sahiptir.

Araştırmacılar, kamera yoğunluğunun şehirlerin mahalleleri ve bölgeleri arasında geniş bir şekilde değiştiğini gözlemlemektedir.

Araştırmacılar, konut alanlarındaki kameraların, kamu parkları, endüstriyel alanlar ve karma kullanım alanlarındaki kameralara kıyasla üç kat daha zor tanımlanabileceğini gözlemlemektedir.

İncelenen Asya ve Avrupa şehirleri arasında Seul, en çok gözetim altındaki kentsel ortam olarak ilk sırada yer alırken, Paris yakın takipçiler arasında yer almaktadır.

Bir bölgede etnik veya azınlık nüfusun çoğunlukta olduğu durumlarda, kamera yerleştirme sıklığı önemli ölçüde artmaktadır.

Stanford araştırmasına göre, bir mahalledeki azınlık nüfusunun artmasıyla birlikte güvenlik kamera sıklığı da artmaktadır.

Araştırma, 2011-2015 ve 2016-2020 dönemleri arasında yürütülmüştür. Veriler, dokuz yıllık dönemde güvenlik kamera yerleştirme growthının tutarlı ve bazen anormal olduğunu gösterse de, araştırmacılar bu gözetim kamerası yayılmasının geçici bir düzeye ulaştığını öne sürmektedir.

Yöntem

Araştırmacılar, Street View görüntülerinden oluşan iki veri seti oluşturdu ve bu görüntüler için segmentasyon maskeleri üretti. Bir segmentasyon modeli, bu veri setleri üzerinde eğitildi ve bir doğrulama veri seti (San Francisco – aşağıda ‘Sınırlayıcı Faktörler’ bölümüne bakınız) karşı sınandı.

Sonuç modeli, rasgele Street View görüntülerine karşı çalıştırıldı ve tüm pozitif kamera algılamaları insan tarafından doğrulandı ve yanlış pozitifler kaldırıldı.

Sol, Google Street View’dan ham görüntü. Orta, uyarlanmış segmentasyon maskesi. Sağ, algoritmik olarak türetilen kamera tanımı.

Son olarak, çerçeve, kamera açılarının görüş alanını hesaplayarak kapsama alanını tahmin etti ve bu verileri, binaların izleri ve yol ağı özellikleriyle birlikte topladı.

Bu matris için diğer katkıda bulunan veriler, OpenStreetMap’ten bina özelliklerini ve her şehrin idari sınırlarına bağlı kalmasını sağlamak için ABD nüfus haritalarının kullanımını içerir. Ayrıca, proje, Electronic Frontier Foundation (EFF) tarafından yürütülen bir çalışmadan San Francisco kamera konum verilerini kullanmıştır. Google Street View görüntüleri, Static API aracılığıyla erişilmiştir.

Araştırmacılar, kapsamı hesaplamak için Google Street View kameralarının görüş alanını OpenStreetMap verilerine karşı hesapladı.

Sınırlayıcı Faktörler

Araştırmacılar, sonuçların değerlendirilmesinde dikkate alınması gereken beberapa sınırlayıcı faktörü kabul etmektedir.

İlk olarak, makine öğrenimi sistemi tarafından tanımlanan kameraların tümü, insan tarafından doğrulanmış veya reddedilmiştir ve bu doğrulama süreci hataya açıktır.

İkincisi, çalışma, Street View görüntülerinin mevcut çözünürlüğü ile sınırlıdır, bu da araştırmacıların yalnızca 30 metre mesafedeki kameraları tanımlamalarına izin vermiştir. Bu, bazı kameraların sınırlı çözünürlük nedeniyle “icat” edilmiş olabileceği ve birçok kameranın (yüksek seviyedeki kameralar, gizli yerleştirme ve kapı zilindeki mikro kameralar gibi) bu kapsam dışında kalabileceği anlamına gelir.

Son olarak, şehir özgü model geri çağırma oranının sonuçların doğruluğunda sınırlayıcı bir faktör olabileceği öne sürülmektedir, çünkü San Francisco şehri, EFF’nin önceki çalışmalarında güvenlik kamera sıklığı already etiketlenmiştir ve diğer yargı bölgelerine uygulanmıştır.