Une entreprise dispose de flux vidéo provenant d'une station de métro et a besoin d'un modèle qui alerte le responsable lorsque des passagers franchissent la ligne de sécurité jaune en l'absence de train. Le modèle doit détecter la ligne jaune, les personnes qui la franchissent et les trains. La détection d'objets par boîtes englobantes n'a pas permis de séparer clairement la ligne, les personnes et les trains. Quelle approche d'étiquetage permettra d'améliorer le modèle le plus efficacement tout en préservant la confidentialité des données vidéo ?

L'approche de segmentation sémantique avec SageMaker Ground Truth est la plus efficace car elle permet d'étiqueter chaque pixel d'une image, ce qui est crucial pour distinguer précisément la ligne jaune, les personnes et les trains, surtout lorsque la détection par boîtes englobantes est insuffisante. L'utilisation d'une équipe privée garantit la confidentialité des données vidéo, un aspect essentiel pour les informations sensibles des passagers. Les autres options sont moins optimales : Les étiquettes personnalisées Amazon Rekognition sont une bonne option, mais la détection d'objets peut encore souffrir des mêmes problèmes que la détection par boîtes englobantes. L'utilisation de travailleurs Amazon Mechanical Turk pourrait compromettre la confidentialité des données. L'embauche d'une équipe tierce sur l'AWS Marketplace soulève également des préoccupations en matière de confidentialité.