通过大规模计算机视觉分析全球社交距离
计算机视觉与模式识别
2020-08-31 v1
摘要
为遏制 COVID-19 大流行，世界各国引入了社交距离指南作为公共卫生干预措施，以减缓疾病传播。然而，在大规模（全国或全球）下监测这些指南的有效性是困难的。更糟糕的是，传统的观测方法如现场报告是危险的，因为观测者可能面临感染风险。更好的解决方案是通过网络摄像头观测活动；这种方法可扩展且观测者可以待在安全地点。本研究团队创建了能够发现全球数千个网络摄像头、从中检索数据、分析数据并报告不同国家发布和解除限制（亦称“封锁”）时人群规模的方法。我们发现了提供实时数据的 11,140 个网络摄像头，并展示了跨越 15 个国家的结果。我们从 2020 年 4 月开始从这些摄像头收集数据，约每周 0.5TB。在分析了来自静态图像摄像头和定期从视频提取的帧的 10,424,459 张图像后，数据揭示一些国家的居民在限制解除后表现出更多活动（以人和车辆数量判断）。在其他国家，活动量在限制期间和解除后无明显变化。数据进一步揭示了人们是否保持“社交距离”，即至少相距 6 英尺。本研究辨别了全球若干类型地点和地理区域中社交距离是否被遵守，并可作为另一波感染是否可能很快发生的早期指标。
引用
@article{arxiv.2008.12363,
title = {Analyzing Worldwide Social Distancing through Large-Scale Computer Vision},
author = {Isha Ghodgaonkar and Subhankar Chakraborty and Vishnu Banna and Shane Allcroft and Mohammed Metwaly and Fischer Bordwell and Kohsuke Kimura and Xinxin Zhao and Abhinav Goel and Caleb Tung and Akhil Chinnakotla and Minghao Xue and Yung-Hsiang Lu and Mark Daniel Ward and Wei Zakharov and David S. Ebert and David M. Barbarash and George K. Thiruvathukal},
journal= {arXiv preprint arXiv:2008.12363},
year = {2020}
}
备注
10 pages, 15 figures