Визначення рівня відеоспостереження через дані Google Street View

Неперервне покриття світу доріг Google Street View представляє собою, можливо, найповнішу, послідовну і узгоджену візуальну запис глобального суспільства, за винятком країн, які вводять заборони на рухомі транспортні засоби збору даних компанії.

Як прибутковий внесок в інфраструктуру Google Maps, паноптикон Google Street View є багатим джерелом даних для аналізу машинного навчання. Окрім його здатності випадково захоплювати злочини, його використовували для оцінки регіонального доходу від якості автомобілів на зображеннях Google Street View, оцінки зеленого покриву в міських середовищах, ідентифікації стовпів комунальних послуг, класифікації будівель і оцінки демографічного складу американських кварталів, серед багатьох інших ініціатив.

Обмежені статистичні дані про поширення камер спостереження у 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 позначені приклади камер спостереження. Набір даних Mapillary Vistas належить до невеликої кількості доступних наборів даних, які пропонують цю функціональність, хоча він включає менше 20 позначених громадських відеокамер у Сполучених Штатах.

Більшість інфраструктури відеоспостереження в США перетинається з державою лише тоді, коли органи влади вимагають підтверджуючих кадрів після місцевих інцидентів, які могли бути записані. За межами правил зонування та в контексті перmissive законів про конфіденційність, які мало що роблять для вирішення проблеми приватного спостереження за громадськими місцями, немає федеральної адміністративної структури, яка могла б надати точні статистичні дані про кількість громадських камер у США.

Анекдотичні дані та обмежені опитування свідчать про те, що поширення відеокамер у США може бути аналогічним до Китаю, але це не легко довести.

Ідентифікація відеокамер на зображеннях Google Street View

Враховуючи нестачу доступних даних, дослідники Стенфордського університету провели дослідження щодо поширення, частоти та розподілу громадських відеокамер, які можна ідентифікувати на зображеннях Google Street View.

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

У порядку спадання густини камер, Бостон займає перше місце серед досліджених міст США, 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 мав найвищу густину ідентифікованих камер, тоді як Нью-Йорк мав найбільшу кількість камер – 10 100, розкиданих по більшій території. В Азії Токіо має величезну кількість оцінених камер – 21 700, проте Сеул має меншу кількість камер (13 900), але вони розташовані значно густіше. Хоча для зображень Street View Лондона було ідентифіковано 13 000 камер, Париж перевершує це як за кількістю ідентифікованих камер (13 000), так і за густinou покриття.

Дослідники відзначають, що густина камер сильно варіюється між районами та зонами міст.

Серед інших обмежувальних чинників для точності опитування (до яких ми повернемося нижче), дослідники відзначають, що камери в житлових районах у три рази важче ідентифікувати, ніж ті, що розташовані в громадських парках, промислових зонах та змішаних зонах – ймовірно, через те, що «стримуючий» ефект все частіше ставиться під сумнів у житлових зонах, що робить камуфльовані або приховані установки більш імовірними.

Враховуючи міста, які були досліджені в Європі та Азії, Сеул займає перше місце серед найбільш спостережуваних міських середовищ, а Париж не далеко позаду.

Коли в зоні більшість мешканців належить до певної етнічної чи національної групи, кількість камер спостереження значно зростає, навіть якщо враховуються всі пом’якшувальні чинники, які були розглянуті дослідниками Стенфордського університету.

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

Дослідження було проведено протягом двох періодів часу: 2011-2015 та 2016-2020 років. Хоча дані показують послідовний і іноді аномальний зростання кількості камер спостереження протягом дев’яти років, дослідники припускають, що цей процес може досягнути «тимчасового плато».

Методологія

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

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

Зліва, сире зображення з Google Street View. Праворуч, адаптована маска сегментації. Третє, алгоритмічно-визначена ідентифікація камери. Четверте, підтвердження людини.

Нарешті, rámework розрахував поле зору камер, щоб оцінити ступінь покриття, скомбінував його з контурами будівель та характеристиками дорожньої мережі.

Інші дані, які внесли свій внесок у цю матрицю, включали характеристики будівель з OpenStreetMap, а також використання карт США для забезпечення того, щоб дослідження було обмежено адміністративними межами кожного міста. Крім того, проект використовував дані про розташування камер у Сан-Франциско з дослідження Електронного фронту свободи (EFF), а 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 підтверджені або спростовані людьми, а цей процес є недосконалим.

По-друге, дослідження було обмежене доступною роздільною здатністю зображень Street View, що обмежило дослідників ідентифікацією камер, розташованих у радіусі 30 метрів від точки огляду. Це не тільки означає, що деякі камери могли бути «винаходені» через обмежену роздільну здатність, але також те, що багато камер поза цим радіусом (наприклад, камери, розташовані на висоті, приховані чи мікрокамери у дверних коробках) ймовірно не були ідентифіковані.

Нарешті, оцінка міської моделі відкликання може бути обмежувальним чинником точності результатів, оскільки місто Сан-Франциско, де частота камер спостереження вже була позначена в попередніх роботах Електронного фронту свободи, було застосовано до інших юрисдикцій, щоб зробити дослідження здійсненним.