如何改进模型以防止过度拟合，从而实现非常简单的图像分类

首先：我是TensorFlow（version2）的初学者。通过阅读，我学到很多东西。但是，我似乎找不到以下问题的答案。

我正在尝试建立一个模型，将图像分为三个标签。正如您在下面的图表中看到的那样，我的培训专家还不错，但是验证准确性太低了。

据我了解，这可能是一个“过拟合”问题。

也许我先解释一下我要做什么：

我想使用图像作为输入。作为输出，我想接收零个或多个属于这些图像的标签（分类器）。我期望这将是一件容易的事，因为输入图像很简单。（只有两种颜色，并且只有0、1、2或3个可能的“标签”。这是图像的一些示例。它们表示字段（由蓝色多边形界定）上行走的轨道（绿色）的表示形式：

可能的标签是：

1. 十字架：（前两张图片）：您可以清楚地看到绿线正在形成一个或多个“十字架”
2. 之字形：（第三张图片）：不能完全确定这是否是英语中的正确术语，但我想您已经明白了;-)
3. 行：绿线大多是平行线（无锯齿形或交叉形）
4. 以上都不是（不知道这是否需要作为标签）

我正在使用以下模型：

batch_size = 128
epochs = 30
IMG_HEIGHT = 150
IMG_WIDTH = 150

model = Sequential([
    Conv2D(16, 3, padding='same', activation='relu', 
           input_shape=(IMG_HEIGHT, IMG_WIDTH ,3)),
    MaxPooling2D(),
    Dropout(0.2),
    Conv2D(32, 3, padding='same', activation='relu'),
    MaxPooling2D(),
    Conv2D(64, 3, padding='same', activation='relu'),
    MaxPooling2D(),
    Dropout(0.2),
    Flatten(),
    Dense(512, activation='relu'),
    Dense(1, activation='sigmoid')
])



model.compile(optimizer='adam',
              loss='binary_crossentropy',
              metrics=['accuracy'])


model.summary()

Model: "sequential_5"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_15 (Conv2D)           (None, 150, 150, 16)      448       
_________________________________________________________________
max_pooling2d_15 (MaxPooling (None, 75, 75, 16)        0         
_________________________________________________________________
dropout_10 (Dropout)         (None, 75, 75, 16)        0         
_________________________________________________________________
conv2d_16 (Conv2D)           (None, 75, 75, 32)        4640      
_________________________________________________________________
max_pooling2d_16 (MaxPooling (None, 37, 37, 32)        0         
_________________________________________________________________
conv2d_17 (Conv2D)           (None, 37, 37, 64)        18496     
_________________________________________________________________
max_pooling2d_17 (MaxPooling (None, 18, 18, 64)        0         
_________________________________________________________________
dropout_11 (Dropout)         (None, 18, 18, 64)        0         
_________________________________________________________________
flatten_5 (Flatten)          (None, 20736)             0         
_________________________________________________________________
dense_10 (Dense)             (None, 512)               10617344  
_________________________________________________________________
dense_11 (Dense)             (None, 3)                 1539      
=================================================================
Total params: 10,642,467
Trainable params: 10,642,467
Non-trainable params: 0

我将3360张图像用作训练数据集，将496张用作验证数据集。这些已经“增强”，因此这些集合包含其他现有图像的已经旋转和镜像的版本。

也许值得一提的是数据集是不平衡的：80％的图像的确包含标签“ cross”，而其他20％的图像被“ zig-zag”和“ rows”覆盖。

任何人都可以朝着正确的方向指导我如何改善我的模型？