Firma e-commerce klasyfikuje obrazy produktów według linii produktów. Model wizji komputerowej wytrenowany algorytmem klasyfikacji obrazów ma niską dokładność w przypadku nowych produktów. Obrazy mają jednolity rozmiar i są przechowywane w chmurze w pamięci obiektowej. Firma potrzebuje szybszej poprawy, aby wdrożyć ją dla nowych produktów. Jakie kroki zwiększyłyby dokładność? (Wybierz trzy.)

Rozszerzanie danych (data augmentation) poprzez transformacje takie jak kadrowanie, obracanie czy zmiana jasności, zwiększa różnorodność zbioru treningowego, co pomaga modelowi lepiej generalizować i poprawia dokładność, zwłaszcza przy ograniczonych danych. Normalizacja pikseli i skalowanie obrazu to standardowe kroki przetwarzania wstępnego, które zapewniają spójność danych wejściowych dla modelu, co jest kluczowe dla stabilnego i efektywnego treningu sieci neuronowych. Sprawdzenie i skorygowanie braku równowagi klas za pomocą nadpróbkowania lub niedopróbkowania zapobiega stronniczości modelu w stronę klas większościowych, co jest częstą przyczyną niskiej dokładności w przypadku klas mniejszościowych. Użycie modelu segmentacji semantycznej jest nieodpowiednie, ponieważ problem dotyczy klasyfikacji obrazów, a nie segmentacji. Ogólny interfejs API do rozpoznawania obrazów może być niewystarczająco precyzyjny dla specyficznych produktów e-commerce i nie zapewni szybkiej poprawy. Usługa rozpoznawania obrazów z niestandardowymi etykietami to opcja budowy nowego modelu, ale nie jest to bezpośrednia poprawa istniejącego, ani nie adresuje problemów z danymi, które są przyczyną niskiej dokładności.