한 회사에서 지하철역의 비디오 피드를 가지고 있으며, 열차가 없을 때 승객이 노란색 안전선을 넘으면 관리자에게 알리는 모델이 필요합니다. 이 모델은 노란색 선, 선을 넘는 사람, 그리고 열차를 감지해야 합니다. 바운딩 박스 객체 감지로는 선, 사람, 열차를 명확하게 구분하지 못했습니다. 비디오 데이터를 비공개로 유지하면서 모델을 가장 효과적으로 개선할 수 있는 라벨링 접근 방식은 무엇입니까?

정답은 SageMaker Ground Truth 시맨틱 분할 라벨링 작업을 사용하고 비공개 인력을 고용하여 데이터 세트를 라벨링하는 것입니다. 시맨틱 분할은 픽셀 수준에서 객체를 분류하여 노란색 선, 사람, 열차를 명확하게 구분할 수 있습니다. 이는 바운딩 박스 객체 감지의 한계를 극복합니다. 비공개 인력을 고용하면 비디오 데이터의 기밀성을 유지할 수 있습니다. 오답인 Amazon Rekognition Custom Labels는 바운딩 박스 객체 감지를 사용하므로 문제에서 언급된 한계를 해결하지 못합니다. 또한, AWS Marketplace 또는 Mechanical Turk 작업자는 데이터 기밀성 요구 사항에 부합하지 않습니다.