Компания электронной коммерции классифицирует изображения продуктов по товарным линейкам. Модель компьютерного зрения, обученная с использованием алгоритма классификации изображений, имеет низкую точность для новых продуктов. Изображения имеют одинаковый размер и хранятся в облачном объектном хранилище. Компании необходимо быстрее улучшить модель для развертывания на новых продуктах. Какие шаги повысят точность? (Выберите три.)

Расширение данных (аугментация) с помощью преобразований, таких как обрезка, изменение размера, отражение и поворот, увеличивает разнообразие обучающего набора данных, помогая модели лучше обобщать новые, ранее не виденные изображения и снижая переобучение. Нормализация пикселей и масштабирование изображений являются стандартными методами предварительной обработки, которые обеспечивают согласованность входных данных для нейронной сети, что улучшает сходимость и производительность модели. Проверка дисбаланса классов и применение передискретизации или недодискретизации гарантируют, что модель не будет смещена в сторону доминирующих классов, что приводит к более точной классификации для всех категорий продуктов. Обучение модели семантической сегментации не подходит, так как это задача определения пикселей, а не классификации изображений. Использование универсального API распознавания изображений или сервиса с пользовательскими метками может быть дорогостоящим и не всегда дает лучший результат, чем улучшение текущей модели.