一個團隊必須自動化檢查無人機照片，以找出腐蝕區域（每張照片可能有多個區域）。腐蝕僅出現在大約 0.1% 的照片中。工程師將每個腐蝕區域分類為緊急維修、排程維護或不採取行動。該團隊應採取哪些步驟組合來建構此解決方案？（選擇三項）

由於腐蝕區域可能在單張照片中出現多次，物件偵測模型（例如 YOLO 或 Faster R-CNN）是識別和定位這些區域的合適選擇。XGBoost 分類器是一種強大的演算法，適用於根據偵測到的腐蝕區域的特徵（例如大小、形狀、顏色）預測其嚴重程度或優先級。由於腐蝕僅出現在大約 0.1% 的照片中，這是一個高度不平衡的資料集。對包含腐蝕的影像應用影像增強技術（如旋轉、翻轉、縮放、亮度調整）可以有效地增加稀有類別的訓練樣本數量，幫助模型更好地學習腐蝕特徵，提高模型性能。 Amazon Rekognition 標籤偵測通常用於識別影像中的廣泛類別或物件，但對於精確定位特定、細微的腐蝕區域可能不夠精確。k-means 叢集是一種無監督學習方法，用於將資料點分組，而不是用於預測腐蝕的嚴重程度。對不包含腐蝕的影像進行增強並不能解決稀有類別（腐蝕影像）樣本不足的問題，反而可能進一步增加資料集的不平衡性。