本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 注释整合
<a name="sms-annotation-consolidation"></a>

一个*注释*是单个工作人员的标注任务的结果。*注释合并*将两个或更多工作人员的注释合并到数据对象的单个标签中。分配给数据集中每个对象的标签是对标签的真实情况的概率估计。数据集中的每个对象通常具有多个注释，但只有一个或一组标签。

您可以决定数据集中的每个对象应该由多少个工作人员进行注释。工作人员越多，越可以提高标签的准确性，但也会增加标注的成本。要了解有关 Ground Truth 定价的更多信息，请参阅[亚马逊 G SageMaker round Truth 定价](https://www.amazonaws.cn/sagemaker/groundtruth/pricing/)。

如果您使用 Amazon SageMaker AI 控制台创建标签任务，则以下是可以为对象添加注释的工作人员数量的默认值：
+ 文本分类 – 3 个工作人员
+ 图像分类 – 3 个工作人员
+ 边界框 – 5 个工作人员
+ 语义分割 – 3 个工作人员
+ 指定实体识别 – 3 个工作人员

当您使用 [https://docs.amazonaws.cn/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.amazonaws.cn/sagemaker/latest/APIReference/API_CreateLabelingJob.html) 操作时，使用 `NumberOfHumanWorkersPerDataObject` 参数设置对每个数据对象进行注释的工作人员数量。您可以使用控制台或 [https://docs.amazonaws.cn/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.amazonaws.cn/sagemaker/latest/APIReference/API_CreateLabelingJob.html) 操作来覆盖对数据对象进行注释的默认工作人员数量。

Ground Truth 为其每个预定义标注任务提供一个注释合并函数：边界框、图像分类、名称实体识别、语义分割和文本分类。这些函数如下所示：
+ 图像和文本分类的多类注释合并对注释使用[期望最大化](https://en.wikipedia.org/wiki/Expectation-maximization_algorithm)方法的变体。它估计每个工作人员的参数，并使用贝叶斯推理方法，根据每个工作人员的类注释来估计真实类。
+ 边界框注释可合并来自多个工作人员的边界框。该函数根据边界框的 [Jaccard 指数](https://en.wikipedia.org/wiki/Jaccard_index)（或交并比）查找来自不同工作人员的最相似的边界框，并计算它们的平均值。
+ 语义分割注释合并将单个图像中的每个像素视为一个多类分类。该函数将来自工作人员的像素注释视为“投票”，并将平滑函数应用于图像以包含来自周围像素的更多信息。
+ 指定实体识别按照 Jaccard 相似度聚类文本选择，并根据模式计算选择边界；如果模式不明确，则计算中值。标签解析为聚类中具有最多分配的实体标签，通过随机选择来中断绑定。

您可以使用其他算法来合并注释。有关信息，请参阅[创建注释整合功能](consolidation-lambda.md)。