한 전자상거래 회사가 제품 라인별로 제품 이미지를 분류합니다. 이미지 분류 알고리즘으로 훈련된 컴퓨터 비전 모델은 신제품에 대해 낮은 정확도를 보입니다. 이미지는 균일한 크기이며 클라우드 객체 스토리지에 저장됩니다. 회사는 신제품 배포를 위해 더 빠른 개선이 필요합니다. 정확도를 높이려면 어떤 단계를 수행해야 할까요? (세 가지 선택)

신제품에 대한 모델 정확도가 낮은 것은 데이터 부족이나 데이터 불균형 때문일 수 있습니다. 데이터 증강(오픈 소스 라이브러리를 통한 변환 사용)은 기존 데이터의 다양성을 늘려 모델이 새로운 변형을 더 잘 일반화하도록 돕습니다. 픽셀 정규화 및 이미지 스케일링은 모델 훈련을 위한 데이터 일관성을 보장하여 성능을 향상시킵니다. 클래스 불균형을 해결하기 위한 오버샘플링 또는 언더샘플링은 모델이 모든 제품 카테고리에서 공정하게 학습하도록 하여 편향된 예측을 방지합니다. 의미론적 분할은 픽셀 수준 분류로, 제품 분류와는 다른 작업이며 정확도 문제 해결에 직접적이지 않습니다. 범용 이미지 인식 API는 사용자 지정 제품 분류에 특화되지 않아 정확도가 낮을 수 있습니다. 사용자 지정 레이블 이미지 인식 서비스는 새 모델을 구축하는 것이므로, 기존 모델의 낮은 정확도를 빠르게 개선하는 데는 적합하지 않습니다.