Визначення обсягу відеоспостереження за допомогою даних Google Street View

Безперервне покриття вулиць світу Google Street View представляє, можливо, найповніший, послідовний і послідовний візуальний запис глобального суспільства, за винятком країн, які накладати заборони на мандрівних машинах пошукового гіганта для збору даних.

Паноптикум Google Street View, який приносить дохід інфраструктурі Карт Google, є багатим набором даних для аналізу машинного навчання. Крім своєї схильності мимоволі фіксувати злочинні дії, він звик оцінка регіонального доходу від якості автомобіля на зображеннях Google Street View, оцінити зелені насадження в міському середовищі, визначити опори комунікацій, класифікувати будівлі та оцінити демографічний склад районів США серед багатьох інших ініціатив.

Обмежені статистичні дані щодо розповсюдження камер спостереження в Сполучених Штатах

Незважаючи на широке використання даних Google Maps для ініціатив соціального машинного навчання, існує дуже мало наборів даних на основі Street View, які містять позначені приклади камер спостереження. The Набір даних Mapillary Vistas є одним із небагатьох доступних, які пропонують цю функцію, хоча він включає менше 20 позначених громадських відеокамер у Сполучених Штатах.

Значна частина інфраструктури відеоспостереження в США перетинає штат лише тоді, коли влада вимагає підтверджуючих записів після локальних інцидентів, які могли бути записані. Окрім правил зонування та в контексті дозвільних законів про конфіденційність, які мало впливають на приватне спостереження за громадськими місцями, існує відсутність федеральних адміністративних рамок який може надати точну статистику щодо кількості камер, спрямованих перед громадськістю, у США.

Анекдотичні дані та обмежені опитування стверджують, що поширення відеокамер у США може бути на рівні з Китаєм, але це нелегко довести.

Ідентифікація відеокамер у зображеннях Google Street View

Враховуючи цей дефіцит доступних даних, дослідники зі Стенфордського університету мають проведено дослідження на поширеність, частоту та розповсюдження публічних відеокамер, які можна ідентифікувати на зображеннях Google Street View.

Дослідники створили систему виявлення камери, яка оцінила 1.6 мільйона зображень Google Street View у 10 великих містах США та шести інших великих містах Азії та Європи.

У порядку спадання щільності камер Бостон очолює список міст США, досліджених у дослідженні, з нещодавньою або поточною щільністю 0.63 і загальною кількістю камер 1,600. Незважаючи на це, у Нью-Йорку набагато більше камер (10,100 XNUMX), розосереджених на більшій території. Джерело: https://arxiv.org/pdf/2105.01764.pdf

З міст США Бостон отримав найвищий показник Щільність ідентифікованих камер, тоді як у Нью-Йорку найбільше номер камер на 10,100 21,700, розподілених на більшій відстані. В Азії в Токіо приблизно 13,900 13,000 камер, але в Сеулі є менша кількість камер (13,00 XNUMX), зосереджених набагато щільніше. Хоча для зображень Street View Лондона було визначено XNUMX XNUMX камер, Париж перевершує це як з точки зору визначених місць розміщення (XNUMX XNUMX), так і за щільністю покриття.

Дослідники помічають, що щільність камер сильно відрізняється між околицями та зонами міст.

Серед інших факторів, що обмежують точність опитування (до якого ми прийдемо), дослідники відзначають, що камери в житлових районах втричі важче ідентифікувати, ніж камери, розміщені в громадських парках, промислових зонах і зонах змішаного використання – імовірно. тому що «стримуючий» ефект стає все більш неприйнятним або суперечливим у житлових зонах, що робить більш імовірним замасковане або непомітне розміщення.

Беручи до уваги досліджені міста Європи та Азії, Сеул займає першу позицію як місто, яке найбільше спостерігають, а Париж не відстає.

Там, де в зоні є визначена переписом більшість жителів етнічних груп або меншин, частота розміщення камер помітно зростає, навіть якщо дослідники Стенфордського університету враховують усі пом’якшувальні фактори.

За даними дослідження Стенфордського університету, частота використання камер відеоспостереження зростає прямо пропорційно зростанню демографічних меншин у сусідстві.

Дослідження проводилось у два часові періоди: 2011–2015 та 2016–2020 роки. Незважаючи на те, що дані демонструють послідовне, а іноді і ненормальне зростання розміщення камер спостереження за дев’ятирічний період, дослідники припускають, що це поширення камер спостереження могло досягти «тимчасового плато».

Методологія

Дослідники спочатку зібрали два набори даних зображень Street View, один з яких не містив розташування відеокамер, і створили для них маски сегментації. Модель сегментації було навчено на цих наборах даних із набором даних перевірки (Сан-Франциско – див. «Фактори обмеження» нижче).

Потім вихідну модель порівнювали з випадковими зображеннями Street View, при цьому всі позитивні виявлення камер підтверджували люди, а помилкові спрацьовування видаляли.

Ліворуч необроблене зображення з Google Street View. Далі адаптована маска сегментації. По-третє, алгоритмічно отримана ідентифікація камери. Правильно, місце, перевірене людьми.

Нарешті, структура розрахувала поле огляду залучених кутів камери, щоб оцінити ступінь покриття, зіставивши з відбитками залучених будівель і характеристиками дорожньої мережі.

Інші дані для цієї матриці включали специфікації будівель з OpenStreetMap і використання карт перепису населення США, щоб гарантувати, що дослідження було обмежено адміністративними межами кожного міста. Крім того, проект використовував дані про місцезнаходження камери Сан-Франциско від a вчитися Electronic Frontier Foundation (EFF), із зображеннями Google Street View, доступними через Статичний API.

Дослідники оцінили покриття, обчисливши поле огляду камер Google Street View за даними OpenStreetMap.

Обмежуючі фактори

Дослідники визнають ряд обмежуючих факторів, які слід враховувати при перегляді результатів.

По-перше, всі камери, ідентифіковані системою машинного навчання, були згодом перевірені або спростовані перевіркою людьми, і що ця перевірка є помилковим процесом.

По-друге, дослідження було обмежено доступною роздільною здатністю зображень Street View, що обмежувало дослідників ідентифікацією камер, розташованих у межах тридцяти метрів від POV. Це не тільки означає, що деякі камери, можливо, були «винайдені» через обмежену роздільну здатність, але й те, що багато камер поза межами цієї компетенції (наприклад, камери високого рівня, затемнені місця розташування та мікрокамери в дверних дзвінках), ймовірно, не були ідентифіковані.

Нарешті, оцінка запам’ятовування моделі для конкретного міста може бути обмежуючим фактором у точності результатів, оскільки місто Сан-Франциско, де частота камер спостереження вже була позначена в попередній роботі EFF, було застосовано до інших юрисдикцій, щоб зробити дослідження можливо.