Un'azienda riceve feed video da una stazione della metropolitana e necessita di un modello che avvisi il gestore quando i passeggeri attraversano la linea di sicurezza gialla in assenza di un treno. Il modello deve rilevare la linea gialla, le persone che la attraversano e i treni. Il rilevamento di oggetti con bounding box non ha separato chiaramente la linea, le persone e i treni. Quale approccio di etichettatura migliorerà più efficacemente il modello mantenendo privati i dati video?

La segmentazione semantica è l'approccio più efficace perché consente di etichettare ogni pixel di un'immagine con una classe specifica (ad esempio, "linea gialla", "persona", "treno"). Questo fornisce una delimitazione molto più precisa e dettagliata rispetto ai bounding box, che possono sovrapporsi e non distinguere chiaramente gli oggetti complessi o adiacenti. L'uso di una forza lavoro privata garantisce la privacy dei dati video sensibili. SageMaker Ground Truth offre strumenti per la segmentazione semantica e la gestione di forze lavoro private. Le altre opzioni che utilizzano il rilevamento di oggetti con bounding box sono meno precise per questo caso d'uso. L'uso di forze lavoro pubbliche (Mechanical Turk) o di terze parti non garantisce la privacy dei dati.