Исследование: алгоритм компьютерного зрения оценил плотность распределения камер видеонаблюдения в крупных городах мира

За последние несколько десятилетий камеры видеонаблюдения, также известные как камеры замкнутого ТВ (CCTV), стали широко использоваться правительствами, правоохранительными органами и частными лицами для наблюдения за общественными местами, предотвращения преступлений и поиска преступников. Хотя миллионы камер наблюдения, установленных по всему миру, могут сыграть решающую роль в предотвращении преступлений и помочь полицейским расследованиям, они также могут серьезно ограничивать частную жизнь граждан.

В сочетании с новейшей технологией распознавания лиц камеры видеонаблюдения могут стать еще более навязчивыми, поскольку они позволяют идентифицировать, контролировать и отслеживать людей. Более того, передовые системы наблюдения могут препятствовать свободе слова, запугивая людей, чтобы они не участвовали в публичных собраниях или протестах из-за страха преследований.

В то время как в некоторых исследованиях оценивалось количество камер видеонаблюдения, установленных в городах по всему миру, лишь немногие определили их точное местоположение. Это затрудняет оценку воздействия крупномасштабных систем наблюдения и степени, в которой они могут вторгаться в частную жизнь граждан.

Ученые из Стэнфордского университета недавно провели исследование, направленное на изучение распространенности и расположения камер наблюдения в крупных городах США и других странах мира. Их статья, представленная на конференции AAAI/ACM по искусственному интеллекту, этике и обществу, представляет алгоритм компьютерного зрения, который может оценивать пространственное распределение камер наблюдения путем анализа изображений улиц Google и других фотографий.

«Наша главная цель состояла в том, чтобы понять количество и расположение камер видеонаблюдения в крупных городах по всему миру», - сказал в интервью Хао Шэн, один из ученых, проводивших исследование. «Поскольку сбор таких данных вручную является чрезмерно дорогостоящим, мы стремились разработать методы, которые можно было бы легко масштабировать. Поскольку в последние годы цифровая документация городских ландшафтов и технологии компьютерного зрения значительно продвинулись вперед, мы подумали, что применение алгоритмов компьютерного зрения возможно для существующих изображений улиц».

В своем исследовании Шэн и его коллеги сделали три основных шага. Во-первых, они извлекли изображения улиц 100 000 случайно выбранных мест в каждом из исследованных ими городов. Они специально сосредоточились на 10 крупных городах США (Лос-Анджелес, Нью-Йорк, Чикаго, Филадельфия, Сиэтл, Милуоки, Балтимор, Вашингтон, округ Колумбия, Сан-Франциско и Бостон) и 6 других городах мира (Токио, Бангкок, Лондон, Сеул, Сингапур и Париж).

Впоследствии исследователи запустили алгоритм компьютерного зрения на изображениях улиц, которые они извлекли, чтобы автоматически обнаруживать захваченные в них камеры наблюдения. Наконец, они попросили участников-людей просмотреть изображения и проверить достоверность результатов, собранных алгоритмом, т. е. подтвердить, точно ли исскуственный интеллект обнаружил камеры.

«Наш метод сочетает в себе достоинства моделей компьютерного зрения, которые можно быстро развернуть на миллионах изображений и людей, которые могут визуально идентифицировать камеры с более высокой точностью», - пояснил Шэн. «Таким образом, даже если камеры составляют лишь небольшой процент изображений улиц, мы все равно можем эффективно и точно идентифицировать их».

Анализ, проведенный Шэном и его коллегами, дал несколько интересных результатов. Во-первых, исследователи обнаружили, что плотность камер в городах сильно коррелировала с конкретным использованием данных мест и расовым профилем кварталов. Например, они обнаружили, что камеры с большей вероятностью установливаются в коммерческих, промышленных и смешанных районах города, чем в общественных или жилых кварталах.

«Даже после проверки данных о принадлежности объектов недвижимости, мы обнаружили гораздо более высокую плотность камер в районах проживания меньшинств, чем в районах, где преобладают люди белой расы», - сказал Шэн. «Мы все еще пытаемся понять механизм, который управляет этими шаблонами, но наши результаты показывают, что цветные сообщества подвергаются непропорционально тщательному наблюдению».

Выводы, собранные этой группой исследователей, могут иметь важные последствия для будущей установки камер видеонаблюдения в городских условиях. Например, они могут вызвать этические дебаты о причинах интенсивного мониторинга расовых меньшинств или общие дискуссии о влиянии крупномасштабного слежения на частную жизнь граждан.

В своих следующих исследованиях Шэн и его коллеги планируют использовать алгоритм компьютерного зрения, который они разработали, чтобы изучить распространенность других типов камер, таких как камеры дверного звонка. Камеры дверного звонка, такие как Google Nest и Amazon Ring, позволяют людям видеть, находится ли кто-то у двери, и удаленно общаться с посетителями через свой смартфон. В последние годы эти системы интеллектуальных дверных звонков стали особенно популярными, особенно в жилых кварталах.

«По оценкам некоторых исследований, количество камер дверного звонка может превзойти количество традиционных камер видеонаблюдения» , - сказал Шэн. «Таким образом, измерение их распространенности поможет нам лучше понять масштабы отслеживания в наших районах. Мы также подозреваем, что они могут быть хорошими показателями социального доверия в квартале. Конечно, камеры дверных звонков обычно меньше по размеру, поэтому их труднее идентифицировать с улицы. Их изображения могут создать новые проблемы для нашего процесса обнаружения камер».