2019/11/3
沒想到都到了做比賽的第五天了，今天開組會仔細討論了一下超分的算法，有一個好的想法是基於UNET的，在這裏可以先記錄一下，
基本上理清楚了思路之後我想還是考慮一下訓練應該怎麼設計。
2019/11/2：
考慮了半天使用lmdb格式真的不利用現在的數據加載，暫時放棄，想可視化一下網絡，發現batch-size=1都超出了內存，仔細看了一下發現網絡太複雜了，圖片太大，對應的參數太多，源程序訓練都是把大圖片切成小圖片訓練的,閱讀論文DBPN，主要弄清楚Back Projection的原理, 查看了一下89年的論文，Improving Resolution by Image Registration，大概懂了反向Back Projection 方法
關於DBPN的加強算法D-DBPN感覺DenseNet網絡真的很適用於高分辨圖像，不錯的idea
使用的是adam算法，lr設置爲1e-4,這樣就意味着調參會很隨意，後面肯定要給他改寫成Range算法
查看了一下這篇論文用的數據集DIV2K數據集，其實總共只有1000張圖片，用於訓練圖片只有800張，每張圖片大小197601080，做4倍超分的話每張是490270，做32*32切割，一張圖片可以被切割成130張，即所有大圖片訓練一遍是104000張圖片，由於每次batch-size爲20，總過訓練了次，這樣的話相當於把整個大圖片數據集跑了200 = （*20）/（104000）遍左右，
比賽中的視頻，中間很多場景是重複的，所以理論上就是3秒就那麼幾個場景，所以我們根本不需要訓練很多遍，只要訓練幾遍就行了，大部分都是重複訓練和epoch增加是一個道理，一張測試集的大圖片可以切成288小圖片，假設一個視頻平均有5幀是關鍵幀那訓練總共就是說訓練700.5.288爲一輪，就是走一遍全體數據集，相當於正常情況走了25次數據集
基本上理解了爲什麼要用視頻超分了，就是超分加上檢測關鍵幀
研究整體網絡結構：
首先圖片送入網絡做一層簡單的cnn
2019/10/31：
跑第一個代碼DBPN
做完dataset部分，但是是對文件的直接加載，所以訓練速度比較慢，可以使用lmdb格式進行改寫
多線程對數據集視頻整理成圖片
ans:對SR問題怎麼進行數據增強
跑代碼的過程中發現：不像原版DenseNets，我們避免使用dropout和batch norm
2019/10/30 :調研文獻：
