tf.image.non_max_suppression()

2018年08月17日 15:34:51 愛摳腳的coder 閱讀數：1753

 

 

貪婪算法：其實就是按scores由大到小排序，然后選定第一個，一次對之后的做iou ，刪除那些和選定的框iou大於閾值的框，循環完第一個，  再選定之后的一個，再 對它后面的框做iou，循環操作。選出最后剩余的框。選定的框不會超過設定的最大值。依次刪除最小的。

在吳恩達老師深度學習yolo算法實現自動駕駛的編程題中出現了這個函數，這個函數的功能是在檢測算法中我們的一個目標被檢測了多次，如何排除掉多余的邊界框。比如下面的圖，來自於編程題中的圖片，下面的這個車被多次檢測到，存在多個邊界框，保留概率最大的那個，去除掉與這個概率最大的邊界框的IoU大於一個闕值的其余邊界框。這個過程就成為非最大值抑制=NMS

函數原型：

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

按照參數scores的降序貪婪的選擇邊界框的子集。

刪除掉那些與之前的選擇的邊框具有很高的IOU的邊框。邊框是以[y1,x1,y2,x2],(y1,x1)和(y2,x2)是邊框的對角坐標，當然也可以提供被歸一化的坐標。返回的是被選中的那些留下來的邊框在參數boxes里面的下標位置。那么你可以使用tf.gather的操作或者利用keras.backend的gather函數來從參數boxes來獲取選中的邊框。

例如：

selected_indices=tf.image.non_max_suppression(boxes,scores,max_output_size,iou_thresholde)

selected_boxes=tf.gather(boxes,selected_indices)

參數：boxes:2-D的float類型的，大小為[num_boxes,4]的張量；

scores：1-D的float類型的大小為[num_boxes]代表上面boxes的每一行，對應的每一個box的一個score；

max_output_size:一個整數張量，代表我最多可以利用NMS選中多少個邊框；

iou_threshold:一個浮點數，IOU闕值展示的是否與選中的那個邊框具有較大的重疊度；

score_threshold:一個浮點數，來決定上面時候刪除這個邊框

name:可選

返回的是selected_indices:表示的是一個1-D的整數張量，大小為[M]，代表的是選出來的留下來的邊框下標，M小於等於max_outpuy_size.

例子：