# Eksperymenty - model głęboki

- 100x100 - najmniejszy wymiar klatki w zbiorze
- jeśli video zbyt krótkie (poniżej 36 ramek) padowane jest przy pomocy ostatniej ramki
- Normalizacja:

    MEAN_IMAGE = [0.485, 0.456, 0.406]
    STD_IMAGE = [0.229, 0.224, 0.225]

1. Podzbiór klas (8 wybranych klas)

| Model | Normalizacja | CenterCrop |
|--------|--------------|------------|
| 3D-CNN | NIE | 100x100 |
| 3D-CNN | TAK | 84x84 |

3. Pełny zbiór

| Model | Normalizacja | CenterCrop | Optimizer | LR | batch size |
|--------|--------------|------------|-----------|------------------|------------|
| 3D-CNN | TAK | 84x84 | Adam | 1e-3 | 10 |
| 3D-CNN | TAK | 84x84 | Adam | warmup (1e-6) | 10 |
| 3D-CNN | TAK | 84x84 | Adam | multistep (1e-3) | 10 |
| 3D-CNN | TAK | 84x84 | Adam | multistep (1e-5) | 24 |
| 3D-CNN | TAK | 84x84 | Adam | multistep (1e-3) | 24 |
4. Plan (na pełnym zbiorze)
*!Po analizie błędów może ulec zmianie!*
- [ ] warmup + btach_size=24
- [x] multi_step=(1e-3) + btach_size=24
- [ ] CenterCrop=100
- [ ] mniejsza wersja sieci
- [ ] najlepszy setup + sampler balansujący klasy
- [ ] jeśli starczy czasu (ewentualnie do raportu):
- [ ] padding przy pomocy powtarzania rekursywnego ramek, jak [w tej pracy](https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8803152)
- [ ] data augmentation
- [ ] greyscale ???
- [ ] LSTM-CNN