Een bedrijf heeft videofeeds van een metrostation en heeft een model nodig dat de manager waarschuwt wanneer passagiers de gele veiligheidslijn overschrijden terwijl er geen trein aanwezig is. Het model moet de gele lijn, mensen die deze overschrijden en treinen detecteren. Bounding-box objectdetectie scheidde de lijn, mensen en treinen niet duidelijk. Welke labelingsaanpak zal het model het meest effectief verbeteren, terwijl de videogegevens privé blijven?

De beste aanpak is het gebruik van een SageMaker Ground Truth semantische segmentatie-labelingstaak met een private workforce. Semantische segmentatie is superieur aan bounding-box objectdetectie voor dit scenario, omdat het elk pixel van een object classificeert, waardoor de gele lijn, mensen en treinen nauwkeurig kunnen worden onderscheiden, zelfs wanneer ze elkaar overlappen of dicht bij elkaar zijn. Dit lost het probleem op van onduidelijke scheiding met bounding boxes. Een private workforce zorgt ervoor dat de videogegevens privé blijven, wat een belangrijke vereiste is. De andere opties zijn minder geschikt: Amazon Rekognition Custom Labels is een goede optie voor aangepaste modellen, maar de vraag specificeert dat bounding-box detectie niet duidelijk genoeg was. Rekognition Custom Labels richt zich primair op objectdetectie en beeldclassificatie, niet op de pixel-niveau precisie van semantische segmentatie. Het inhuren van Amazon Mechanical Turk-medewerkers of een externe workforce via de AWS Marketplace schendt de privacyvereiste voor de videogegevens.