一家电子商务公司按产品线对产品图片进行分类。使用图像分类算法训练的计算机视觉模型对新产品的准确性较低。图像大小统一，并存储在云对象存储中。公司需要更快地改进模型，以便部署到新产品。哪些步骤可以提高准确性？（选择三项。）

数据增强（通过开源库使用转换）通过创建现有图像的变体来增加训练数据量，这有助于模型更好地泛化并提高对新产品的准确性。像素归一化和图像缩放是标准的预处理步骤，可以使图像数据在模型训练时更稳定和高效，从而提高准确性。处理后的数据集应保存以供后续使用。检查并解决类别不平衡（通过过采样或欠采样）可以防止模型偏向于多数类别，确保模型在所有产品类别上表现良好，提高整体准确性。 训练语义分割模型不适用于图像分类任务，因为它的目标是像素级别的分类，而非图像整体的分类。使用通用图像识别API可能无法提供公司所需的特定产品线分类的准确标签。使用自定义标签图像识别服务构建新模型是可行的，但通常比数据增强和处理更耗时且成本更高，且不直接解决数据质量和分布问题。