Компания получает видеопотоки со станции метро, и ей нужна модель, которая оповещает менеджера, когда пассажиры пересекают желтую линию безопасности при отсутствии поезда. Модель должна обнаруживать желтую линию, людей, пересекающих ее, и поезда. Обнаружение объектов с помощью ограничивающих рамок не позволило четко разделить линию, людей и поезда. Какой подход к разметке наиболее эффективно улучшит модель, сохраняя при этом конфиденциальность видеоданных?

Семантическая сегментация является наиболее подходящим подходом, поскольку она позволяет модели точно идентифицировать и различать объекты на уровне пикселей, что необходимо для четкого разделения желтой линии, людей и поездов, когда обнаружение ограничивающих рамок оказалось недостаточным. SageMaker Ground Truth предлагает задачу разметки семантической сегментации. Использование частной рабочей силы обеспечивает конфиденциальность видеоданных, поскольку внешние работники не будут иметь к ним доступа. Amazon Rekognition Custom Labels и сторонняя рабочая сила могут быть менее подходящими из-за проблем с конфиденциальностью данных и потенциальной неточности для сложных случаев. Использование Amazon Mechanical Turk также может вызвать проблемы с конфиденциальностью.