Визначення Обсягу Відеоспостереження Через Дані Google Street View

Безперервне покриття світу шляхів від Google Street View представляє, можливо, найповнішу, послідовну та узгоджену візуальну реєстрацію глобального суспільства, за винятком країн, які накладають заборони на рухомі транспортні засоби збору даних гіганта пошуку.

Як прибутковий учасник інфраструктури Google Maps, паноптикон Google Street View є багатим джерелом даних для аналізу машинного навчання. Окрім його схильності випадково фіксувати злочини, його використовували для оцінки регіонального доходу від якості автомобілів на зображеннях Google Street View, оцінки зелених насаджень в міських середовищах, визначення стовпів комунальних послуг, класифікації будівель та оцінки демографічного складу американських кварталів, серед багатьох інших ініціатив.

Обмежені Статистичні Дані Про Дифузію Камер Відеоспостереження В Сполучених Штатах

Незважаючи на широке використання даних Google Maps для соціально обізнаних ініціатив машинного навчання, існує дуже мало наборів даних на основі Street View, які включають помічені приклади камер відеоспостереження. Набір даних Mapillary Vistas є одним з малих доступних, які пропонують цю функціональність, хоча він включає менше 20 помічених громадських відеокамер у Сполучених Штатах.

Більша частина інфраструктури відеоспостереження в США перетинається з державою лише тоді, коли органи влади вимагають підтверджувальних кадрів після місцевих інцидентів, які могли бути записані. За межами зонування та в контексті перmissive законодавства про конфіденційність, яке мало робить для вирішення проблеми приватного відеоспостереження в громадських місцях, немає федеральної адміністративної структури, яка могла б надати точні статистичні дані про кількість громадських камер у США.

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

Ідентифікація Відеокамер На Зображеннях Google Street View

Ураховуючи цей дефіцит доступних даних, дослідники з Стенфордського університету провели дослідження поширення, частоти та розподілу громадських відеокамер, які можна ідентифікувати на зображеннях Google Street View.

Дослідники створили каркас виявлення камер, який оцінив 1,6 мільйона зображень Google Street View у 10 великих містах США та шести інших великих містах Азії та Європи.

В порядку спадання густини камер, Бостон займає перше місце серед міст США, досліджених у дослідженні, з густinou 0,63 та загальною кількістю камер 1 600. Незважаючи на це, Нью-Йорк має значно більше камер (10 100) розкиданих по більшій території. Джерело: https://arxiv.org/pdf/2105.01764.pdf

Серед міст США Бостон був виявлений з найбільшою густinou ідентифікованих камер, тоді як Нью-Йорк має найбільшу кількість камер – 10 100, розкиданих по більшій території. В Азії Токіо має величезну кількість камер – 21 700, але Сеул має меншу кількість камер (13 900) концентрованих значно густіше. Хоча 13 000 камер були ідентифіковані для зображень Street View Лондона, Париж перевершує це як за кількістю ідентифікованих місць (13 000), так і за густinou покриття.

Дослідники спостерігають, що густіна камер сильно варіюється між кварталами та зонами міст.

Серед інших обмежувальних факторів для точності опитування (які ми розглянемо нижче), дослідники спостерігають, що камери в житлових районах у три рази важче ідентифікувати, ніж ті, що розміщені в громадських парках, промислових зонах та змішаних зонах – ймовірно, через те, що “стримуючий” ефект все частіше сприймається як неприйнятний або спірний у житлових зонах, що робить камуфльовані або дискретні розміщення більш ймовірними.

Враховуючи міста, вивчені в Європі та Азії, Сеул займає перше місце як найбільш спостережуване міське середовище, з Парижем, який не далеко позаду.

Коли в зоні більшість населення належить до етнічних або національних меншин, частота розміщення камер значно зростає, навіть з урахуванням усіх пом’якшувальних факторів, які дослідники Стенфордського університету врахували.

Частота камер відеоспостереження зростає прямо пропорційно зростанню кількості меншин у кварталі, згідно з дослідженням Стенфордського університету.

Дослідження було проведено протягом двох періодів часу, 2011-2015 та 2016-2020 років. Хоча дані показують послідовний та іноді аномальний ріст розміщення камер відеоспостереження протягом дев’яти років, дослідники припускають, що цей ріст камер відеоспостереження може досягнути “тимчасової платформи”.

Методологія

Дослідники спочатку скомпілювали два набори даних зображень Street View, один з яких не містив розміщення відеокамер, та згенерували маски сегментації для цих даних. Модель сегментації була навчена на цих наборах даних проти валідационного набору даних (місто Сан-Франциско – див. “Обмежувальні чинники” нижче).

Потім виведена модель була запущена проти випадкових зображень Street View, при чому всі позитивні виявлення камер підтверджувалися людьми, а помилкові позитиви були видалені.

Зліва, оригінальне зображення з Google Street View. Далі, адаптована маска сегментації. Потім, алгоритмічно-визначене виявлення камери. Праворуч, підтверджене людьми розміщення.

Нарешті, каркас розрахував поле зору кутів камер, щоб оцінити ступінь покриття, зібраного проти слідів будівель та специфікацій дорожньої мережі.

Інші дані, які внесли свій внесок у цю матрицю, включали специфікації будівель з OpenStreetMap, та використання карт США для забезпечення того, щоб дослідження було обмежено адміністративними межами кожного міста. Крім того, проект використовував дані про розміщення камер у Сан-Франциско з дослідження Електронного фронту свободи (EFF), при чому зображення Google Street View були отримані через Static API.

Дослідники оцінили покриття, розрахувавши поле зору камер Google Street View проти даних OpenStreetMap.

Обмежувальні чинники

Дослідники визнають ряд обмежувальних чинників, які слід враховувати при розгляді результатів.

По-перше, те, що камери, ідентифіковані системою машинного навчання, були згодом підтверджені або спростовані людьми, а цей процес людської перевірки є недосконалим.

По-друге, дослідження було обмежене доступною роздільною здатністю зображень Street View, що обмежило дослідників ідентифікацією камер, розміщених у радіусі тридцяти метрів від точки зору. Це не тільки означає, що деякі камери могли бути “винаходені” через обмежену роздільну здатність, але й те, що багато камер поза цим радіусом (таких як високі камери, приховані розміщення та мікрокамери в дверних дзвонках) ймовірно не були ідентифіковані.

Нарешті, оцінка міської модельної пам’яті може бути обмежувальним чинником точності результатів, оскільки місто Сан-Франциско, де частота камер відеоспостереження вже була помічена в попередніх роботах EFF, було застосовано до інших юрисдикцій, щоб зробити дослідження здійсненним.