SR竞赛准备

2019/11/3

没想到都到了做比赛的第五天了，今天开组会仔细讨论了一下超分的算法，有一个好的想法是基于UNET的，在这里可以先记录一下， 基本上理清楚了思路之后我想还是考虑一下训练应该怎么设计。

2019/11/2：

考虑了半天使用lmdb格式真的不利用现在的数据加载，暂时放弃，想可视化一下网络，发现batch-size=1都超出了内存，仔细看了一下发现网络太复杂了，图片太大，对应的参数太多，源程序训练都是把大图片切成小图片训练的,阅读论文DBPN，主要弄清楚Back Projection的原理, 查看了一下89年的论文，Improving Resolution by Image Registration，大概懂了反向Back Projection 方法 关于DBPN的加强算法D-DBPN感觉DenseNet网络真的很适用于高分辨图像，不错的idea 使用的是adam算法，lr设置为1e-4,这样就意味着调参会很随意，后面肯定要给他改写成Range算法

查看了一下这篇论文用的数据集DIV2K数据集，其实总共只有1000张图片，用于训练图片只有800张，每张图片大小197601080，做4倍超分的话每张是490270，做32*32切割，一张图片可以被切割成130张，即所有大图片训练一遍是104000张图片，由于每次batch-size为20，总过训练了$10^6$次，这样的话相当于把整个大图片数据集跑了200 = （$10^6$*20）/（104000）遍左右，

比赛中的视频，中间很多场景是重复的，所以理论上就是3秒就那么几个场景，所以我们根本不需要训练很多遍，只要训练几遍就行了，大部分都是重复训练和epoch增加是一个道理，一张测试集的大图片可以切成288小图片，假设一个视频平均有5帧是关键帧那训练总共就是说训练700.5.288为一轮，就是走一遍全体数据集，相当于正常情况走了25次数据集 基本上理解了为什么要用视频超分了，就是超分加上检测关键帧

研究整体网络结构： 首先图片送入网络做一层简单的cnn

2019/10/31：

跑第一个代码DBPN 做完dataset部分，但是是对文件的直接加载，所以训练速度比较慢，可以使用lmdb格式进行改写 多线程对数据集视频整理成图片 ans:对SR问题怎么进行数据增强 跑代码的过程中发现：不像原版DenseNets，我们避免使用dropout和batch norm

2019/10/30 :调研文献：