Как Google использует фотографии пользователей для создания детализированных карт и определения локальных объектов (POIs)

Описание

Какую задачу решает

Патент решает проблему недостаточной детализации цифровых карт. Стандартные карты показывают общие объекты (здания, дороги), но часто упускают мелкомасштабные (fine-grained) объекты интереса (Points of Interest, POIs) внутри более крупных локаций — например, конкретный экспонат в музее, вольер в зоопарке или памятник в парке. Патент описывает метод автоматического обнаружения и добавления этих объектов на карту с использованием агрегированных данных (краудсорсинга).

Что запатентовано

Запатентована система для идентификации локальных геопривязанных данных. Система агрегирует и анализирует изображения и связанные с ними метаданные (геолокация и идентификация объекта) из множества источников. Путем кластеризации этих данных система определяет, что достаточное количество изображений от разных пользователей указывает на один и тот же объект в одном и том же месте. При достижении порога уверенности система обновляет цифровую карту, добавляя новый картографический объект (cartographical feature).

Как это работает

Система работает следующим образом:

• Сбор данных: Получаются изображения и метаданные (Metadata), включая информацию о местоположении (Location information, например, GPS) и информацию об объекте (Object information, например, теги).
• Кластеризация: Применяются методы кластеризации данных (data clustering technique) для группировки изображений по географической близости и схожести идентифицированных объектов.
• Валидация: Система проверяет, достигает ли группа изображений пороговых значений: threshold number of images (количество изображений) и, что критически важно, threshold number of different users (количество разных пользователей, предоставивших данные).
• Обновление карты: Если пороги достигнуты, система определяет точное местоположение объекта (например, путем усреднения координат) и создает новый cartographical feature на цифровой карте.

Актуальность для SEO

Высокая. Google активно использует пользовательский контент (UGC), особенно изображения и геолокационные данные, для обогащения Google Maps, Google Business Profile и Knowledge Graph. Методы автоматического распознавания объектов на фото (например, Google Lens) и их локализации постоянно совершенствуются, что соответствует описанным в патенте механизмам.

Важность для SEO

Патент имеет среднее значение для SEO в целом, но высокую важность для Local SEO и видимости в Google Maps. Он описывает инфраструктурный механизм того, как Google понимает физическое пространство и объекты внутри локаций. Это напрямую влияет на то, как сущности (Entities) и точки интереса (POIs) представляются на картах, что критически важно для локального поиска и взаимодействия с локальным бизнесом.

Детальный разбор

Термины и определения

Cartographical feature (Картографический объект)

Элемент, добавляемый на цифровую карту, представляющий реальный объект в определенном месте. Может быть статическим или динамическим и включать изображение, текст, аудио или иконку.

Data clustering technique (Метод кластеризации данных)

Процесс автоматической группировки изображений на основе схожести признаков. Используется для определения того, что изображения находятся в пределах порогового расстояния (distance threshold) и относятся к одному и тому же объекту (на основе object information).

Image analysis system (Система анализа изображений)

Технология автоматического распознавания объектов на изображении для генерации Object information.

Location information (Информация о местоположении)

Метаданные, указывающие, где было получено изображение. Источники включают global positioning system (GPS) receiver, WiFi location system и micro-location system.

Metadata (Метаданные)

Данные, связанные с изображением, включающие Location information и Object information (например, EXIF данные).

Micro-location system (Система микро-локации)

Технологии для определения местоположения с высокой точностью, часто внутри помещений (например, NFC, RFID, Bluetooth-маяки, Beacon systems).

Object information (Информация об объекте)

Метаданные, указывающие на объекты, показанные на изображении. Могут включать пользовательские теги (Text Tag, Audio Tag) или данные, сгенерированные image analysis system.

Threshold number of different users (Пороговое количество разных пользователей)

Минимальное количество уникальных пользователей, которые должны предоставить изображения объекта, чтобы система посчитала данные достоверными и создала cartographical feature. Ключевой механизм валидации.

Threshold number of images (Пороговое количество изображений)

Минимальное количество изображений в группе (кластере), необходимое для подтверждения наличия объекта.

Trustworthiness (Достоверность)

Оценка надежности изображения и его метаданных. Определяется автоматически на основе различных факторов (точность геолокации, статус верификации пользователя, история пользователя, время снимка).

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной процесс идентификации локальных данных.

1. Система получает множество изображений и их метаданные (Location information и Object information).
2. Система определяет, что группа изображений связана с определенным объектом в определенном месте. Ключевое условие валидации: эта группа должна содержать как минимум пороговое количество изображений (threshold number of images), которые были сняты как минимум пороговым количеством разных пользователей (threshold number of different users).
3. Система обновляет цифровую карту, добавляя cartographical feature в соответствующем месте. Эта фича может включать одно из изображений группы или часть метаданных.

Ядро изобретения — использование краудсорсинговых изображений с обязательной валидацией через требование наличия данных от нескольких разных пользователей для создания картографических объектов.

Claim 2 (Зависимый от 1): Детализирует процесс определения группы изображений.

Определение группы происходит с использованием data clustering technique. Этот метод проверяет два условия: (i) местоположения всех изображений в группе находятся в пределах порогового расстояния (distance threshold), и (ii) object information всех изображений указывает на один и тот же объект.

Claim 3 (Зависимый от 2): Уточняет метод кластеризации.

Метод кластеризации включает оценку продолжительности времени (length of time), в течение которого были сделаны изображения в группе. Это используется для темпорального анализа и определения постоянства объекта.

Claim 4 (Зависимый от 1): Описывает определение точного местоположения объекта.

Местоположение cartographical feature на карте определяется на основе комбинации (например, усреднения или геометрического центра) location information всех изображений в группе.

Claim 8 (Зависимый от 1): Уточняет источник информации об объекте.

Object information может быть сгенерирована автоматически с использованием image analysis system и включена в метаданные изображения.

Claim 18 (Независимый пункт): Описывает процесс идентификации иерархии объектов в одном месте.

1. Получение данных.
2. Определение первой группы изображений, связанной с первым объектом, и второй группы, связанной со вторым объектом, в одном и том же месте (с соблюдением порогов по количеству изображений и разных пользователей).
3. Обновление цифровой карты путем включения как минимум двух cartographical features. Первая фича отображается на первом уровне масштабирования (first zoom level), а вторая — на втором уровне масштабирования (second zoom level), отличном от первого.

Это позволяет создавать иерархические карты, где детализация меняется при приближении (например, сначала виден зоопарк, а при приближении — вольер со львами).

Где и как применяется

Этот патент в первую очередь относится к инфраструктуре Google Maps и системам сбора локальных данных, а не к ранжированию в основном веб-поиске.

CRAWLING – Сканирование и Сбор данных
Система активно собирает (или получает) данные — изображения и метаданные. Источники данных включают краудсорсинг (UGC), специальные стимулирующие приложения (в патенте упоминается «treasure hunt game»), фотохостинги, социальные сети, игры дополненной реальности (AR games) и данные из Knowledge Graph.

INDEXING – Индексирование и извлечение признаков
На этом этапе происходит основная обработка и анализ данных:

1. Извлечение признаков: Из метаданных извлекается Location information и Object information.
2. Анализ изображений: Применяется image analysis system для автоматического распознавания объектов на фото.
3. Кластеризация: Применяется Data clustering technique для группировки изображений по местоположению и объекту.
4. Валидация и Оценка: Проверяется достижение порогов (количество изображений и пользователей). Оценивается Trustworthiness данных (на основе точности GPS, истории пользователя).
5. Идентификация POI: Успешные кластеры становятся кандидатами на создание cartographical features.

RANKING / METASEARCH (в контексте Карт)
Идентифицированные cartographical features используются для обогащения базового слоя карты и для предоставления более точных ответов на локальные и гиперлокальные запросы пользователей.

Входные данные:

• Изображения (Image Data).
• Location information (GPS, micro-location data).
• Object information (пользовательские теги, данные автоматического анализа).
• Временные метки.
• Данные о пользователях (для валидации).

Выходные данные:

• Digital Map Update: обновление цифровой карты.
• Новые cartographical features с определенным местоположением, визуальным представлением (иконка/фото) и описанием.

На что влияет

• Конкретные типы контента: Влияет на отображение физических объектов, точек интереса (POIs) и сущностей на цифровых картах (Google Maps).
• Специфические запросы: Локальные запросы, особенно гиперлокальные (например, «где находится экспонат Х в музее Y» или «ближайший банкомат в ТЦ»).
• Конкретные ниши или тематики: Туризм, розничная торговля (крупные ТЦ), развлечения (парки, музеи, зоопарки, стадионы) — любые локации с большим количеством внутренних POIs, требующих детализации.

Когда применяется

• Условия работы алгоритма: Алгоритм применяется для анализа больших массивов геопривязанных изображений.
• Триггеры активации: Создание нового cartographical feature активируется только тогда, когда система идентифицирует кластер изображений, удовлетворяющий критериям качества и количества.
• Пороговые значения: Критически важные пороги: threshold number of images и, что более важно, threshold number of different users. Также используется distance threshold для определения географической близости.
• Временные рамки и частота применения: Процесс анализа может выполняться периодически для поддержания актуальности карты. Система использует темпоральный анализ (temporal analysis), чтобы определить, является ли объект постоянным или временным (transient). Временные объекты могут не добавляться на основную карту.

Пошаговый алгоритм

Процесс идентификации локальных данных и обновления карты:

1. Сбор данных: Получение множества изображений и соответствующих метаданных (Location information и Object information).
2. Предварительная обработка и Извлечение признаков: Извлечение геолокационных данных и идентификаторов объектов. Применение image analysis system для автоматической идентификации объектов, если необходимо.
3. Кластеризация: Применение data clustering technique. Изображения группируются, если они находятся в пределах distance threshold друг от друга и их Object information совпадает.
4. Темпоральный анализ: Оценка временного диапазона изображений в кластере для определения, является ли объект постоянным или временным.
5. Валидация и Проверка порогов: Определение, превышает ли сформированный кластер threshold number of images и threshold number of different users. Оценка Trustworthiness данных.
6. Определение местоположения объекта: Если пороги достигнуты и данные достоверны, вычисление точного местоположения объекта путем комбинации (например, усреднения) геолокационных данных всех изображений в группе.
7. Генерация картографического объекта: Выбор репрезентативного изображения, иконки или метаданных для создания cartographical feature. Определение иерархии и соответствующего уровня масштабирования (zoom level) для отображения.
8. Обновление карты: Добавление нового cartographical feature на цифровую карту.

Какие данные и как использует

Данные на входе

• Мультимедиа факторы: Image Data (сами изображения, которые анализируются системой).
• Географические факторы: Location information. Это критически важные данные, включающие данные GPS, а также данные micro-location systems (NFC, Bluetooth, WiFi) для высокой точности, в том числе внутри помещений.
• Контентные факторы (Метаданные): Object information, описывающая содержание изображения. Включает пользовательские Text Tag и Audio Tag.
• Временные факторы: Дата и время получения изображения. Используются для оценки актуальности (Relevance) и для темпорального анализа (определения постоянства объекта).
• Пользовательские факторы: Идентификаторы пользователей (необходимы для подсчета threshold number of different users). Также для оценки Trustworthiness могут использоваться: статус верификации пользователя, история предыдущих загрузок и их качество.

Какие метрики используются и как они считаются

• Threshold number of images: Статический или динамический порог количества изображений в кластере.
• Threshold number of different users: Критический порог количества уникальных пользователей, предоставивших изображения для кластера. Используется как мера защиты от спама и повышения достоверности.
• Distance threshold: Максимально допустимое расстояние между точками съемки изображений для включения их в один географический кластер.
• Trustworthiness (Достоверность): Комплексная метрика уверенности в данных. Рассчитывается на основе точности геолокации, репутации пользователя, времени снимка.
• Relevance (Релевантность): Оценка того, насколько идентифицированный объект подходит для отображения на карте в данном контексте.
• Методы анализа:
  • Data clustering techniques: (упоминаются иерархическая кластеризация, k-means, кластеризация на основе плотности и т.д.).
  • Image analysis system: Технологии машинного зрения для распознавания объектов.

Выводы

1. UGC как основной источник локальных данных: Google рассматривает пользовательский контент (UGC), в частности фотографии с геотегами, как ключевой источник данных для понимания физического мира и создания высокодетализированных карт.
2. Критичность валидации через множество пользователей: Система не полагается на данные от одного пользователя. Требование достижения threshold number of different users является основным механизмом валидации краудсорсинговых данных и защиты от спама или ошибок.
3. Автоматизация через анализ изображений: Image analysis system играет важную роль в масштабировании процесса. Система может автоматически идентифицировать объекты на фото, не полагаясь только на пользовательские теги, что ускоряет и стандартизирует сбор Object information.
4. Гиперлокальная точность и Micro-Location: Упоминание использования micro-location systems (Bluetooth, WiFi, NFC) наряду с GPS указывает на стремление Google к высокой точности позиционирования, в том числе для картографирования внутри помещений (Indoor Mapping).
5. Иерархическое отображение и контекст: Система способна не просто добавлять точки на карту, но и понимать иерархию объектов (например, зоопарк -> вольер) и адаптировать их отображение в зависимости от уровня масштабирования (zoom level), как описано в Claim 18.
6. Темпоральный анализ и актуальность: Система учитывает время создания фотографий (Claim 3), чтобы отличать постоянные объекты от временных событий, обеспечивая актуальность и чистоту картографических данных.

Практика

Best practices (это мы делаем)

Рекомендации в первую очередь касаются Local SEO и управления видимостью в Google Maps / Google Business Profile (GBP).

• Стимулирование генерации аутентичного UGC (Фото): Мотивировать реальных клиентов делать и загружать фотографии вашего бизнеса, интерьера, продуктов и ключевых зон в Google Maps. Поскольку система требует данные от threshold number of different users, разнообразие источников критически важно.
• Оптимизация геолокации и микро-локации: Обеспечить максимальную точность позиционирования бизнеса. Для крупных объектов (ТЦ, отели, автосалоны) следует способствовать корректному внутреннему картографированию. Патент упоминает использование micro-location systems, поэтому наличие качественного WiFi покрытия или Bluetooth-маяков может улучшить сбор точных данных о перемещении пользователей внутри локации.
• Активное управление изображениями в GBP: Регулярно загружать собственные высококачественные фотографии ключевых аспектов бизнеса (фасад, интерьер, популярные товары). Это помогает «засеять» данные для системы кластеризации и задать стандарт качества. По возможности, загружать фото с точными EXIF геотегами.
• Визуальная идентификация сущностей: Убедиться, что ключевые продукты или объекты в вашей локации визуально различимы и могут быть корректно идентифицированы image analysis system. Это повышает вероятность их распознавания и добавления в качестве cartographical feature или элемента профиля бизнеса.

Worst practices (это делать не надо)

• Накрутка фотографий с одного аккаунта: Попытки манипулировать системой путем загрузки большого количества фотографий с одного или нескольких контролируемых аккаунтов будут неэффективны. Система валидирует данные, требуя достижения threshold number of different users.
• Использование стоковых или нерелевантных фото: Загрузка изображений, которые не были сделаны в локации бизнеса. Система использует геолокационные данные для кластеризации, поэтому такие фото будут отфильтрованы или снизят общую Trustworthiness.
• Манипуляции с геотегами (EXIF-спам): Загрузка изображений с фальшивыми или неточными геотегами. Несоответствие визуальных данных и геолокации, а также отсутствие подтверждения от других пользователей, приведет к игнорированию данных.
• Игнорирование визуального контента в GBP: Отсутствие фотографий (как собственных, так и пользовательских) лишает Google данных для анализа, что ухудшает понимание локации и снижает видимость в локальном поиске.

Стратегическое значение

Патент подтверждает стратегический фокус Google на визуальном контенте и данных сенсоров (геолокация) как способе понимания реального мира, в противовес традиционному анализу текста на веб-страницах. Для Local SEO это означает, что управление визуальным представлением бизнеса и стимулирование UGC является не опцией, а необходимостью. Система направлена на создание максимально точной и детализированной цифровой копии физического мира, и бизнесы, которые помогают Google в этом, получают преимущество в видимости.

Практические примеры

Сценарий: Улучшение видимости конкретного товара в крупном магазине (например, электроники).

1. Задача: Магазин хочет, чтобы пользователи видели, где именно в торговом зале расположена популярная модель телевизора.
2. Действие (по патенту): Магазин размещает рядом с телевизором QR-код, предлагающий покупателям сделать фото телевизора и загрузить его в Google Maps для участия в розыгрыше.
3. Сбор данных Google: Система получает десятки фотографий этого телевизора от разных пользователей (different users). Фотографии имеют высокоточные геолокационные данные (используя WiFi магазина — micro-location system).
4. Обработка: Image analysis system распознает модель телевизора. Data clustering technique группирует эти фото по объекту и точному местоположению внутри магазина. Пороги достигнуты.
5. Результат: Google обновляет карту магазина (Indoor Map), добавляя cartographical feature (иконку или фото телевизора) в точном месте его расположения. Это улучшает навигацию и информированность покупателей.

Вопросы и ответы