Uma empresa possui transmissões de vídeo de uma estação de metrô e precisa de um modelo que alerte o gerente quando passageiros cruzam a linha de segurança amarela enquanto nenhum trem está presente. O modelo deve detectar a linha amarela, pessoas a cruzando e trens. A detecção de objetos com *bounding-box* não separou claramente a linha, as pessoas e os trens. Qual abordagem de rotulagem melhorará o modelo de forma mais eficaz, mantendo os dados de vídeo privados?

A segmentação semântica é a abordagem mais eficaz porque permite a identificação precisa de pixels pertencentes à linha amarela, pessoas e trens, superando as limitações da detecção de objetos com bounding-box que não conseguiu separar claramente esses elementos. Uma força de trabalho privada garante a privacidade dos dados de vídeo, que é um requisito crítico. As outras opções são menos adequadas: Usar o Amazon Rekognition Custom Labels com uma força de trabalho privada e A2I é uma boa opção para detecção de objetos, mas a segmentação semântica é superior para este caso de uso específico, onde a separação precisa dos objetos é crucial. Contratar trabalhadores do Amazon Mechanical Turk ou uma força de trabalho de terceiros do AWS Marketplace comprometeria a privacidade dos dados de vídeo, que é um requisito fundamental.