First project readme commit

+# Self-Transfer Learning 을 통한 동영상 Super Resolution
+
+## Abstract
+
+기존의 동영상 Super Resolution 연구는 프레임 단위로 영상을 분할 한 뒤 각 프레임에 대해 Image Super Resolution 을 수행하고, SR 된 프레임을 다시 영상으로 합치는 방법을 주로 사용하였다. 인접한 프레임에 대한 초해상화 결과의 차이가 크다면 영상이 부자연스럽게 보일 수 있기 때문에 이를 개선하기 위해 인접한 5-7 프레임 가량을 RNN 등의 인공신경망을 통해 학습하여 초해상화에 사용하는 기법은 연구되어 왔으나, 인접하지 않은 한 동영상 내의 다른 프레임을 영상의 초해상화에 사용하는 연구는 이루어지지 않았다.
+본 프로젝트는 하나의 영상은 하나의 주제에 대한 영상이며 그 안에서 다수의 중복된 장면이 확대되어 여러번 나타난다는 관찰에서 출발하여, 이러한 중복된 프레임이 영상의 초해상화에 사용될 수 있음을 입증하는 것을 목표로 한다.
+
+## Project Process
+
+### GPU
+
+동영상을 소스로 사용하는 머신러닝 프로젝트 특성상 성능 좋은 GPU가 필요하다.
+본 프로젝트를 진행하면서 우리들은 GPU 사용 문제를 다음과 같이 해결했다.
+
+- 개인적으로 가지고 있는 GPU 사용.
+- GCP (Google Cloud Platform)에서 GPU 할당 요청 후 사용.
+
+### Requirements
+
+- Python 3
+- PyTorch (0.4.0), torchvision
+- Numpy, Scipy
+- Pillow, Scikit-image
+- h5py
+- importlib
+- ffmpeg
+
+### Project Scenario
+
+본 프로젝트에선 성능이 뛰어나고 경량화가 잘되었다고 평가받는 [CARN 모델](https://github.com/nmhkahn/CARN-pytorch)을 사용한다.
+
+우선 초해상화를 진행할 동영상을 대상으로 frame을 추출한다.
+
+```
+ffmpeg -i [추출한 동영상 파일 이름].mp4
+      -vf "select=eq(pict_type\,I),scale=1280:720"   // scale을 해당 영상의 크기에 맞춰, keyframe으로 추출
+      -vsync 0 [추출한 frame 저장할 디렉토리]/%06d.png
+```
+
+추출한 frame들로 dataset을 구성한다.
+
+```
+from glob import glob
+import cv2
+
+images = sorted(glob("./[추출한 frame 저장할 디렉토리]/*.png"))
+```
+
+dataset 디렉토리를 만들어주고
+
+```
+from pathlib import Path
+Path("./dataset/DIV2K/DIV2K_train_HR").mkdir(parents=True, exist_ok=True)
+Path("./dataset/DIV2K/DIV2K_train_LR_bicubic/X2").mkdir(parents=True, exist_ok=True)
+```
+
+추출한 frame들을 decrease size해서 dataset으로 구성한다.
+
+```
+from tqdm import tqdm
+for image in tqdm(images):
+    hr = cv2.imread(image, cv2.IMREAD_COLOR)
+    lr = cv2.resize(hr, dsize=(640, 360), interpolation=cv2.INTER_CUBIC)
+
+    cv2.imwrite("./dataset/DIV2K/DIV2K_train_HR/" + Path(image).name, hr)
+    cv2.imwrite("./dataset/DIV2K/DIV2K_train_LR_bicubic/X2/" + Path(image).stem + "x2.png", lr)
+```
+
+그 후 div2h5.py 실행
+
+```
+import os
+import glob
+import h5py
+import scipy.misc as misc
+import numpy as np
+
+dataset_dir = "DIV2K/"
+dataset_type = "train"
+
+f = h5py.File("DIV2K_{}.h5".format(dataset_type), "w")
+dt = h5py.special_dtype(vlen=np.dtype('uint8'))
+
+for subdir in ["HR", "X2"]:
+    if subdir in ["HR"]:
+        im_paths = glob.glob(os.path.join(dataset_dir,
+                                          "DIV2K_{}_HR".format(dataset_type),
+                                          "*.png"))
+
+    else:
+        im_paths = glob.glob(os.path.join(dataset_dir,
+                                          "DIV2K_{}_LR_bicubic".format(dataset_type),
+                                          subdir, "*.png"))
+    im_paths.sort()
+    grp = f.create_group(subdir)
+
+    for i, path in enumerate(im_paths):
+        im = misc.imread(path)
+        print(path)
+        grp.create_dataset(str(i), data=im)
+
+```
+
+다음과 같이 구성된 dataset 을 가지고 carn-m 모델로 동영상의 초해상화를 진행한다.
+
+```
+!python carn/train.py --patch_size 64
+                    --batch_size 64
+                    --max_steps 600000
+                    --decay 400000
+                    --model carn_m
+                    --ckpt_name [체크포인트 이름]
+                    --ckpt_dir [체크포인트 디렉토리]
+                    --scale 2
+                    --group 4
+```