Python tf.image.non_max_suppression_with_scores用法及代碼示例

貪心地按分數的降序選擇邊界框的子集。

用法

tf.image.non_max_suppression_with_scores(
    boxes, scores, max_output_size, iou_threshold=0.5,
    score_threshold=float('-inf'), soft_nms_sigma=0.0, name=None
)

參數

boxes 形狀為 [num_boxes, 4] 的二維浮點數 Tensor 。
scores 形狀為[num_boxes] 的一維浮點數Tensor，表示對應於每個框(每行框)的單個分數。
max_output_size 一個標量整數Tensor，表示非最大抑製要選擇的最大框數。
iou_threshold 一個 0-D 浮點張量，表示用於決定框相對於 IOU 是否重疊過多的閾值。
score_threshold 一個 0-D 浮點張量，表示根據分數決定何時移除框的閾值。
soft_nms_sigma 一個 0-D 浮點張量，表示 Soft NMS 的 sigma 參數；見 Bodla 等人 (c.f.https://arxiv.org/abs/1704.04503)。什麽時候soft_nms_sigma=0.0(這是默認設置)，我們回退到標準(硬)NMS。
name 操作的名稱(可選)。

selected_indices 形狀為 [M] 的一維整數 Tensor 表示從框張量中選擇的索引，其中 M <= max_output_size 。
selected_scores 形狀為 [M] 的一維浮點張量，表示每個選定框的相應分數，其中 M <= max_output_size 。使用 Soft NMS 時(即 soft_nms_sigma>0 時)，分數僅與相應的輸入分數不同

修剪掉與先前選擇的框重疊的 intersection-over-union (IOU) 高的框。邊界框以 [y1, x1, y2, x2] 的形式提供，其中 (y1, x1) 和 (y2, x2) 是任何對角框角對的坐標，並且坐標可以以標準化(即位於區間 [0, 1] 中)或絕對坐標的形式提供。請注意，此算法與原點在坐標係中的位置無關。請注意，該算法對坐標係的正交變換和平移是不變的；因此，坐標係的平移或反射會導致算法選擇相同的框。此操作的輸出是一組整數，索引到表示所選框的邊界框的輸入集合中。然後可以使用tf.gather 操作獲得與所選索引對應的邊界框坐標。例如：

selected_indices, selected_scores = tf.image.non_max_suppression_padded(
      boxes, scores, max_output_size, iou_threshold=1.0, score_threshold=0.1,
      soft_nms_sigma=0.5)
  selected_boxes = tf.gather(boxes, selected_indices)

此函數通過支持Soft-NMS(具有高斯加權)模式(參見 Bodla 等人，https://arxiv.org/abs/1704.04503)來概括 tf.image.non_max_suppression 操作，其中框會降低其他重疊框的分數，而不是直接導致它們被修剪。因此，與 tf.image.non_max_suppression 相比，tf.image.non_max_suppression_padded 在第二個輸出 selected_scores 中返回每個輸入框的新分數。

要啟用此Soft-NMS 模式，請將soft_nms_sigma 參數設置為大於0。當soft_nms_sigma 等於0 時，tf.image.non_max_suppression_padded 的行為與tf.image.non_max_suppression 的行為相同(除了額外的輸出)函數和運行時間。

相關用法

注：本文由純淨天空篩選整理自tensorflow.org大神的英文原創作品 tf.image.non_max_suppression_with_scores。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。