Solution
모델을 CNN과 Dense Layer의 혼합을 사용하고, 효율적인 학습을 위해 Batch Norm을 사용하였습니다.<code class="language-plaintext">model = Sequential([
Conv2D(32, (3, 3), activation='relu', input_shape=(200, 200, 3)),
BatchNormalization(), # Add BatchNorm after the first Conv2D
MaxPooling2D(2, 2),
Conv2D(64, (3, 3), activation='relu'),
BatchNormalization(), # Add BatchNorm after the second Conv2D
MaxPooling2D(2, 2),
Conv2D(128, (3, 3), activation='relu'),
BatchNormalization(), # Add BatchNorm after the third Conv2D
MaxPooling2D(2, 2),
Flatten(),
Dense(512, activation='relu'),
BatchNormalization(), # Add BatchNorm before the first Dense layer
Dense(256, activation='relu'),
BatchNormalization(),
Dense(128, activation='relu'),
BatchNormalization(),
Dense(1, activation='linear')
])</code> 이를 통해 강/하천 목자판 수위를 효과적으로 인식할 수 있었고, 준수한 성능을 달성할 수 있었습니다. 이 외에도 오버피팅 규제를 위한 다양한 방법을 적용하면 더욱 뛰어난 성능을 보일 것으로 예상됩니다.