Ein Unternehmen erhält Video-Feeds von einer U-Bahn-Station und benötigt ein Modell, das den Manager benachrichtigt, wenn Passagiere die gelbe Sicherheitslinie überqueren, während kein Zug anwesend ist. Das Modell muss die gelbe Linie, Personen, die sie überqueren, und Züge erkennen. Die Objekterkennung mit Bounding Boxes konnte die Linie, Personen und Züge nicht klar voneinander trennen. Welcher Beschriftungsansatz wird das Modell am effektivsten verbessern, während die Videodaten privat bleiben?

Die semantische Segmentierung ist der effektivste Ansatz, da sie Pixel klassifiziert und somit die gelbe Linie, Personen und Züge präzise voneinander trennen kann, was mit Bounding Boxes allein nicht möglich ist. SageMaker Ground Truth bietet die Tools für diese Art der Beschriftung. Eine private Belegschaft stellt sicher, dass die Videodaten vertraulich bleiben, was eine wichtige Anforderung ist. Die anderen Optionen sind weniger geeignet: Amazon Rekognition Custom Labels ist zwar nützlich, aber die Objekterkennung mit Bounding Boxes wurde bereits als unzureichend identifiziert. Die Beauftragung von Amazon Mechanical Turk oder Drittanbieter-Belegschaften würde die Vertraulichkeit der Videodaten gefährden.