[論文レビュー] Crime Mapping from Satellite Imagery via Deep Learning

Alameen Najjar, Shun’ichi Kaneko+1 more|arXiv (Cornell University)|Dec 17, 2018

Video Surveillance and Tracking Methods参考文献 28被引用数 14

ひとこと要約

この論文は、シカゴの100万件を超える犯罪報告書を用いて訓練された畳み込みニューラルネットワーク（CNN）を用いて、生の衛星画像から都市規模の犯罪発生率を直接予測する深層学習アプローチを提案している。最高のモデルは、シカゴでの犯罪発生率予測で79％の正確さを達成し、デンバー（72.7％）およびサンフランシスコ（70.8％）への一般化も効果的であった。これは、衛星画像内の視覚的パターンが、従来の犯罪データ収集に依存せずに犯罪発生率の信頼できる代理指標として機能できることを示している。

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.

研究の動機と目的

• 深層学習が、高価な手動データ収集を回避して、生の衛星画像から直接犯罪発生率を予測できるかどうかを調査すること。
• 公開・公式な犯罪報告書を、衛星画像分類のラベルとして使用する可能性を検討すること。
• 1つの都市のデータで訓練された深層学習モデルが、地理的および人口統計的に異なる都市の犯罪発生率を予測する能力を評価すること。
• データが乏しい地域において、アクセス可能な衛星データを用いて、自動的かつスケーラブルな都市の安全マッピングを実現するプロトタイプを確立すること。

提案手法

• 2001年から2016年までの間、シカゴ警察局が収集した100万件を超える犯罪報告書から抽出した衛星画像を用いて、深層畳み込みニューラルネットワーク（ConvNet）を訓練した。
• 入力として、加工を施さない生の衛星画像を使用し、地理的領域ごとの犯罪報告件数を訓練のターゲットラベルとした。
• 犯罪発生率の3段階（低：青、中：黄、高：赤）を予測する多クラス分類フレームワークを採用した。
• 最良のシカゴで訓練されたモデルを、再訓練なしにデンバーとサンフランシスコの衛星画像に適用し、犯罪発生率マップを予測した。
• 予測された犯罪マップと、何年もにわたる警察報告データから作成された公式マップを比較して、モデルのパフォーマンスを評価した。
• 地上からの視点で得られる高解像度の衛星画像を用い、都市の配置、緑地、インfra構造などの視覚的手がかりを抽出した。これらは犯罪パターンと相関する。

実験結果

リサーチクエスチョン

• RQ1 衛星画像内の視覚的特徴のみで、高い正確さで犯罪発生率を予測できるか？
• RQ2 1つの都市の犯罪データで訓練された深層学習モデルが、他の類似しない都市の犯罪発生率を効果的に予測できるか？
• RQ3 公開・公式な犯罪報告書を、衛星ベースの犯罪予測のための大規模なラベル付き学習データセット作成にどの程度活用できるか？
• RQ4 生の衛星画像で訓練されたモデルが、都市構造、人口密度、犯罪パターンが異なる都市にどの程度一般化できるか？

主な発見

• 最高の深層学習モデルは、シカゴの衛星画像を訓練およびテストに用いた場合、犯罪発生率予測で79％の正確さを達成した。
• 再訓練なしにデンバーに適用した場合、公式データと比較して72.7％の正確さで都市規模の犯罪発生率マップを予測した。
• サンフランシスコでは、衛星画像とシカゴで訓練されたモデルのみを用いて、70.8％の正確さで犯罪発生率マップを予測した。
• 結果から、都市の配置、緑地、インfra構造などの衛星画像内の視覚的パターンが、犯罪発生率の効果的な代理指標として機能することが確認された。
• 本研究では、1つの都市のデータで訓練された深層モデルが、都市形態や発展水準に顕著な違いがある他の都市に対しても一般化可能であることが示された。
• 本アプローチは、特にデータが乏しい地域において、従来の犯罪マッピングの代替手段として、スケーラブルで低コストであることが実証された。