tensorflow::ops::CombinedNonMaxSuppression

Puanlarına göre azalan sırada, sınırlayıcı kutuların bir alt kümesini açgözlü bir şekilde seçer.

Özet

Bu işlem, tüm sınıflar genelinde, her parti için girdilere maksimum olmayan bastırma (non_max_suppression) uygular. Daha önce seçilen kutularla yüksek kesişim-birleşim (IOU) örtüşmesine sahip kutuları budar. Sınır kutuları [y1, x1, y2, x2] olarak verilir; burada (y1, x1) ve (y2, x2), herhangi bir köşegen çiftinin koordinatlarıdır ve koordinatlar normalize edilmiş (yani [0, 1] aralığında yer alan) veya mutlak olarak verilebilir. Bu algoritmanın koordinat sistemindeki orijinin nerede olduğuna duyarsız olduğunu unutmayın. Ayrıca, bu algoritmanın koordinat sisteminin ortogonal dönüşümlerine ve ötelemelerine karşı değişmez olduğunu unutmayın; bu nedenle koordinat sisteminin ötelemesi veya yansıması, algoritma tarafından aynı kutuların seçilmesine neden olur. Bu işlemin çıktısı, maksimum olmayan bastırma (non_max_suppression) uygulandıktan sonra döndürülen nihai kutular, puanlar ve sınıflar tensörüdür.

Argümanlar:

• kapsam: Bir Kapsam nesnesi
• Kutular: [batch_size, num_boxes, q, 4] şeklinde 4 boyutlu bir float tensörü. Eğer q 1 ise, tüm sınıflar için aynı kutular kullanılır; aksi takdirde, q sınıf sayısına eşitse, sınıfa özgü kutular kullanılır.
• Puanlar: Her kutuya (her kutu satırına) karşılık gelen tek bir puanı temsil eden [batch_size, num_boxes, num_classes] şeklinde 3 boyutlu kayan noktalı bir tensör.
• max_output_size_per_class: Her sınıf için maksimum bastırma dışı yöntemle seçilebilecek maksimum kutu sayısını temsil eden skalar bir tamsayı tensörü.
• max_total_size: Tüm sınıflar genelinde saklanan maksimum kutu sayısını temsil eden bir skalar değer.
• iou_threshold: Kutuların IOU'ya göre çok fazla örtüşüp örtüşmediğine karar vermek için kullanılan eşiği temsil eden 0 boyutlu kayan noktalı bir tensör.
• score_threshold: Puana bağlı olarak kutuların ne zaman kaldırılacağına karar vermek için kullanılan eşiği temsil eden 0 boyutlu kayan noktalı bir tensör.

İsteğe bağlı özellikler (bkz. Attrs ):

• pad_per_class: Yanlışsa, çıktı nmsed kutuları, puanları ve sınıfları max_total_size kadar doldurulur/kırpılır. Doğruysa, çıktı nmsed kutuları, puanları ve sınıfları max_size_per_class * num_classes uzunluğuna kadar doldurulur; ancak max_total_size aşarsa max_total_size kadar kırpılır. Varsayılan değer false'tur.
• clip_boxes: Eğer true ise, kutu koordinatlarının [0, 1] arasında olduğunu varsayın ve [0, 1] aralığının dışına düşerlerse çıktı kutularını kırpın. Eğer false ise, kırpma yapmayın ve kutu koordinatlarını olduğu gibi çıktı olarak verin.

İadeler:

• Output nmsed_boxes: Bastırılmış maksimum olmayan kutuları içeren [batch_size, max_detections, 4] float32 tensörü.
• Output nmsed_scores: Kutular için puanları içeren [batch_size, max_detections] float32 türünde bir tensör.
• Output nmsed_classes: Kutular için sınıfları içeren [batch_size, max_detections] float32 türünde bir tensör.
• valid_detections Output : Her parti öğesi için geçerli tespit sayısını gösteren [batch_size] int32 tensörü. nms_boxes[i], nms_scores[i] ve nms_class[i]'deki yalnızca en üst num_detections[i] girdisi geçerlidir. Geri kalan girdiler sıfır dolgudur.

Genel özellikler

::tensorflow::Output nmsed_boxes

::tensorflow::Output nmsed_classes

::tensorflow::Output nmsed_scores

Operation operation

::tensorflow::Output valid_detections

 CombinedNonMaxSuppression(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input boxes,
  ::tensorflow::Input scores,
  ::tensorflow::Input max_output_size_per_class,
  ::tensorflow::Input max_total_size,
  ::tensorflow::Input iou_threshold,
  ::tensorflow::Input score_threshold
)

 CombinedNonMaxSuppression(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input boxes,
  ::tensorflow::Input scores,
  ::tensorflow::Input max_output_size_per_class,
  ::tensorflow::Input max_total_size,
  ::tensorflow::Input iou_threshold,
  ::tensorflow::Input score_threshold,
  const CombinedNonMaxSuppression::Attrs & attrs
)

Attrs ClipBoxes(
  bool x
)

Attrs PadPerClass(
  bool x
)