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.

데이터 증강(Data Augmentation)- ImageDataGenerator를 사용하여 데이터 증강 적용- 증강 기법으로는 이미지의 회전(rotation_range=20), 폭 및 높이의 이동(width_shift_range=0.2, height_shift_range=0.2), 수평 뒤집기(horizontal_flip=True) 등이 포함조기 중단(Early Stopping)과 모델 체크포인트(Model Checkpoint)- early stopping 및 체크포인트 기능을 포함하여 EarlyStopping과 ModelCheckpoint 콜백을 사용학습 에포크(Epochs)의 증가- 최대 500 에폭 동안 훈련하되, 조기 중단이 적용소감- 태스크에서 제공된 모델과 동일한 구조를 가지고 있으나, 데이터 증강을 적용하여 모델의 일반화 능력을 향상시키는 데 효과적으로 적용되었다고 생각됩니다.