[논문 리뷰] Crime Mapping from Satellite Imagery via Deep Learning

Alameen Najjar, Shun’ichi Kaneko외 1명|arXiv (Cornell University)|2018. 12. 17.

Video Surveillance and Tracking Methods참고 문헌 28인용 수 14

한 줄 요약

이 논문은 시카고에서 2001년부터 2016년까지 수집한 100만 건 이상의 범죄 사건 보고서를 기반으로, 컨볼루션 신경망(CNN)을 사용해 원시 위성 영상에서 직접 도시 규모의 범죄율을 예측하는 딥러닝 접근법을 제안한다. 최고의 모델은 시카고에서 79%의 정확도를 기록했으며 덴버(72.7%)와 샌프란시스코(70.8%)로도 효과적으로 일반화되어, 위성 영상의 시각적 패턴이 전통적인 범죄 데이터 수집에 의존하지 않고도 범죄율에 대한 신뢰할 수 있는 대체 지표가 될 수 있음을 보여준다.

ABSTRACT

Ensuring urban safety is an essential part of developing sustainable cities. An urban safety map can assist cities to prevent future crimes. However, mapping is costly in terms of both time and money due to the need for manual data collection. On the other hand, satellite imagery is becoming increasingly abundant and accessible with higher resolution. Given the outstanding success deep learning has achieved in the field of computer vision and pattern recognition over the past 5 years, in this paper we attempt to investigate the use of deep learning to predict crime rate directly from raw satellite imagery. To this end, we have trained a deep Convolutional Neural Network on satellite images obtained from over one million crime-incident reports collected by the Chicago Police Department. The best performing model predicted crime rate from raw satellite imagery with an accuracy of 79%. To test their reusability, we used the learned Chicago models to predict for the cities of Denver and San Francisco city-scale maps indicating crime rate in three different levels. Compared to maps made from years' worth of data collected by the corresponding police departments, our maps have an accuracy of 72% and 70%, respectively.

연구 동기 및 목표

• 딥러닝이 수동 데이터 수집에 비용이 많이 들기 때문에, 원시 위성 영상에서 직접적으로 범죄율을 예측할 수 있는지 조사하기 위해.
• 공개된 공식 범죄 사건 보고서를 위성 영상 분류의 레이블로 사용할 수 있는지 탐색하기 위해.
• 한 도시의 데이터로 훈련된 딥러닝 모델이 지리적으로나 민족적으로 다를 수 있는 다른 도시의 범죄율을 예측하는 데 얼마나 잘 일반화되는지 평가하기 위해.
• 데이터가 부족한 지역에서 접근 가능한 위성 데이터를 활용해 자동화되고 확장 가능한 도시 안전 지ap 맵핑의 개념 증명을 하기 위해.

제안 방법

• 2001년에서 2016년 사이에 시카고 경찰청이 수집한 100만 건 이상의 범죄 사건 보고서에서 추출한 위성 영상으로 훈련된 딥 컨볼루션 신경망(Convnets)을 사용하였다.
• 범죄 사건 수가 지리적 지역별로 목표 레이블이 되는, 원시이고 처리되지 않은 위성 영상을 입력으로 사용하였다.
• 저수준(파란색), 중립(노란색), 고수준(빨간색)의 세 가지 수준의 범죄율을 예측하기 위해 다중 분류 프레임워크를 적용하였다.
• 재훈련 없이도 시카고에서 훈련된 최고의 모델을 덴버와 샌프란시스코의 위성 영상에 적용하여 도시 규모의 범죄율 지도를 예측하였다.
• 예측된 범죄 지도를 경찰 보고서 기반으로 생성된 공식 지도와 비교하여 모델 성능을 평가하였다.
• 조망도가 높은 위성 영상으로 도시 구조, 식생, 인프라 등의 시각적 단서를 추출하였으며, 이는 범죄 패턴과 관련이 있다.

실험 결과

연구 질문

• RQ1 위성 영상의 시각적 특징만으로도 높은 정확도로 범죄율을 예측할 수 있는가?
• RQ2 한 도시의 데이터로 훈련된 딥러닝 모델이 다른 유사하지 않은 도시의 범죄율을 효과적으로 예측할 수 있는가?
• RQ3 공개된 공식 범죄 보고서를 얼마나 효과적으로 활용하여 위성 기반 범죄 예측을 위한 대규모 레이블이 부여된 훈련 데이터 세트를 만들 수 있는가?
• RQ4 원시 위성 영상으로 훈련된 모델이 도시 구조, 인구 밀도, 범죄 패턴이 다른 도시로 얼마나 잘 일반화되는가?

주요 결과

• 최고의 성능을 보인 딥러닝 모델은 시카고의 위성 영상에서 훈련하고 테스트했을 때 79%의 범죄율 예측 정확도를 기록했다.
• 재훈련 없이 덴버에 적용했을 때, 공식 데이터와 비교해 72.7%의 정확도로 도시 규모의 범죄 지도를 예측했다.
• 샌프란시스코에 대해서는 위성 영상과 시카고에서 훈련된 모델만을 사용해 70.8%의 정확도로 범죄율 지도를 예측했다.
• 결과적으로, 도시 구조, 식생, 인프라 등의 위성 영상 시각적 패턴이 범죄율에 대한 효과적인 대체 지표로 기능한다는 점을 확인했다.
• 한 도시의 데이터로 훈련된 딥 모델이 도시 형태나 발전 수준의 차이가 큰 다른 도시로도 효과적으로 일반화됨을 보여주었다.
• 이 접근법은 전통적인 범죄 지ap 맵핑에 비해 확장 가능하고 저비용의 대안을 제공하며, 특히 데이터가 부족한 지역에 매우 유용하다.