一家電子商務公司依產品線對產品圖片進行分類。使用影像分類演算法訓練的電腦視覺模型，在新產品上的準確度偏低。圖片尺寸統一並儲存在雲端物件儲存中。該公司需要更快地改進，以便部署新產品。哪些步驟可以提高準確度？(選擇三項)

資料擴增（選項三）透過生成更多訓練樣本來增加資料集的多樣性，有助於模型學習更穩健的特徵，減少過擬合，從而提高在新產品上的準確度。像素正規化和影像縮放（選項四）是標準的預處理步驟，能將影像資料轉換為模型更容易處理的格式，確保所有像素值在相似範圍內，這對於深度學習模型的訓練效率和性能至關重要。檢查並處理類別不平衡（選項六）可以防止模型偏向多數類別，確保模型在所有產品類別上都能有良好的預測能力，特別是對於新產品可能屬於的少數類別。 語義分割模型（選項一）用於像素級分類，不適用於整體影像分類問題。使用通用影像辨識 API（選項二）可能無法提供足夠精確的產品線特定標籤，且可能產生錯誤標籤，反而降低準確度。自訂標籤影像辨識服務（選項五）雖然能建立針對產品類別的模型，但如果基礎資料集本身存在問題（如數量不足、不平衡），新模型仍可能表現不佳，且這是一個重新建構模型的方案，不如前述選項直接改進現有模型或資料集高效。