แยกพืชผลจากเทนเซอร์รูปภาพอินพุตและปรับขนาด
แยกการครอบตัดจากเทนเซอร์รูปภาพอินพุตและปรับขนาดโดยใช้การสุ่มตัวอย่างแบบไบลิเนียร์หรือการสุ่มตัวอย่างใกล้เคียงที่สุด (อาจมีการเปลี่ยนแปลงอัตราส่วนภาพ) เป็นขนาดเอาต์พุตทั่วไปที่ระบุโดย `crop_size` นี่เป็นลักษณะทั่วไปมากกว่า op `crop_to_bounding_box` ซึ่งจะแยกส่วนที่มีขนาดคงที่ออกจากรูปภาพอินพุต และไม่อนุญาตให้เปลี่ยนการปรับขนาดหรืออัตราส่วนภาพ
ส่งกลับเทนเซอร์ที่มี "ครอบตัด" จากอินพุต "รูปภาพ" ที่ตำแหน่งที่กำหนดไว้ที่ตำแหน่งกรอบขอบใน "กล่อง" กล่องที่ครอบตัดจะถูกปรับขนาดทั้งหมด (โดยมีการแก้ไขแบบไบลิเนียร์หรือใกล้เคียงที่สุด) ให้เป็น `size = [crop_height, crop_width]` คงที่ ผลลัพธ์ที่ได้คือเทนเซอร์ 4 มิติ `[num_boxes, crop_height, crop_width, ความลึก]` การปรับขนาดจะจัดชิดมุม โดยเฉพาะอย่างยิ่ง หาก `boxes = [[0, 0, 1, 1]]` วิธีการจะให้ผลลัพธ์ที่เหมือนกันกับการใช้ `tf.image.resize_bilinear()` หรือ `tf.image.resize_nearest_neighbor()`(ขึ้นอยู่กับ อาร์กิวเมนต์ `method`) ด้วย `align_corners=True`
คลาสที่ซ้อนกัน
ระดับ | CropAndResize.Options | แอตทริบิวต์เพิ่มเติมสำหรับ CropAndResize |
ค่าคงที่
สตริง | OP_NAME | ชื่อของ op นี้ ซึ่งรู้จักกันในชื่อของเอ็นจิ้นหลัก TensorFlow |
วิธีการสาธารณะ
เอาท์พุต < TFloat32 > | เป็นเอาท์พุต () ส่งกลับค่าแฮนเดิลสัญลักษณ์ของเทนเซอร์ |
CropAndResize แบบคงที่ | สร้าง ( ขอบเขต ขอบเขต ตัวดำเนินการ <? ขยาย TNumber > รูปภาพ ตัวดำเนินการ < TFloat32 > กล่อง ตัวดำเนินการ < TInt32 > boxInd, ตัวดำเนินการ < TInt32 > cropSize, ตัวเลือก... ตัวเลือก) วิธีการจากโรงงานเพื่อสร้างคลาสที่รวมการดำเนินการ CropAndResize ใหม่ |
เอาท์พุต < TFloat32 > | พืชผล () เทนเซอร์ 4 มิติของรูปร่าง `[num_boxes, crop_height, crop_width, ความลึก]` |
CropAndResize.Options แบบคงที่ | การคาดการณ์ค่า (ค่าการคาดการณ์แบบลอยตัว) |
CropAndResize.Options แบบคงที่ | วิธีการ (วิธีสตริง) |
วิธีการสืบทอด
ค่าคงที่
สตริงสุดท้ายแบบคงที่สาธารณะ OP_NAME
ชื่อของ op นี้ ซึ่งรู้จักกันในชื่อของเอ็นจิ้นหลัก TensorFlow
วิธีการสาธารณะ
เอาท์พุท สาธารณะ < TFloat32 > asOutput ()
ส่งกลับค่าแฮนเดิลสัญลักษณ์ของเทนเซอร์
อินพุตสำหรับการดำเนินการ TensorFlow คือเอาต์พุตของการดำเนินการ TensorFlow อื่น วิธีการนี้ใช้เพื่อรับหมายเลขอ้างอิงสัญลักษณ์ที่แสดงถึงการคำนวณอินพุต
สร้าง CropAndResize คงที่สาธารณะ (ขอบเขต ขอบเขต ตัวดำเนินการ <? ขยาย TNumber > รูปภาพ ตัวดำเนินการ < TFloat32 > กล่อง ตัวดำเนินการ < TInt32 > boxInd, ตัวดำเนินการ < TInt32 > cropSize ตัวเลือก... ตัวเลือก)
วิธีการจากโรงงานเพื่อสร้างคลาสที่รวมการดำเนินการ CropAndResize ใหม่
พารามิเตอร์
ขอบเขต | ขอบเขตปัจจุบัน |
---|---|
ภาพ | เทนเซอร์ 4 มิติของรูปร่าง `[แบทช์, image_height, image_width, ความลึก]` ทั้ง `image_height` และ `image_width` จะต้องเป็นบวก |
กล่อง | เทนเซอร์ 2 มิติของรูปร่าง `[num_boxes, 4]` `แถวที่ i` ของเทนเซอร์ระบุพิกัดของกล่องในรูปภาพ `box_ind[i]` และระบุไว้ในพิกัดมาตรฐาน `[y1, x1, y2, x2]` ค่าพิกัดที่ทำให้เป็นมาตรฐานของ `y` ถูกแมปกับพิกัดของภาพที่ `y * (image_height - 1)` ดังนั้น เนื่องจากช่วง `[0, 1]` ของความสูงของรูปภาพที่ทำให้เป็นมาตรฐานจะถูกแมปกับ `[0, image_height - 1 ]` ในพิกัดความสูงของภาพ เราอนุญาตให้ใช้ `y1` > `y2` ซึ่งในกรณีนี้การครอบตัดตัวอย่างจะเป็นเวอร์ชันพลิกขึ้นลงของรูปภาพต้นฉบับ มิติความกว้างได้รับการปฏิบัติในทำนองเดียวกัน อนุญาตให้ใช้พิกัดที่ทำให้เป็นมาตรฐานนอกช่วง `[0, 1]` ได้ ซึ่งในกรณีนี้เราใช้ `การประมาณค่า_ค่า` เพื่อประมาณค่ารูปภาพที่ป้อนเข้า |
กล่องInd | เทนเซอร์ 1 มิติของรูปร่าง `[num_boxes]` ที่มีค่า int32 ใน `[0, แบทช์)` ค่าของ `box_ind[i]` ระบุรูปภาพที่กล่อง `i`-th อ้างถึง |
ขนาดครอบตัด | เทนเซอร์ 1-D ของ 2 องค์ประกอบ `size = [crop_height, crop_width]` แพตช์ภาพที่ครอบตัดทั้งหมดจะถูกปรับขนาดเป็นขนาดนี้ อัตราส่วนภาพของเนื้อหาภาพไม่คงอยู่ ทั้ง `crop_height` และ `crop_width` จะต้องเป็นบวก |
ตัวเลือก | มีค่าแอตทริบิวต์ทางเลือก |
การส่งคืน
- อินสแตนซ์ใหม่ของ CropAndResize
ผลผลิต สาธารณะ < TFloat32 > พืชผล ()
เทนเซอร์ 4 มิติของรูปร่าง `[num_boxes, crop_height, crop_width, ความลึก]`
สาธารณะ CropAndResize.Options คง ที่การคาดการณ์ค่า (การคาดการณ์ค่าลอยตัว)
พารามิเตอร์
การอนุมานค่า | ค่าที่ใช้สำหรับการประมาณค่า ถ้ามี |
---|
วิธีการ CropAndResize.Options แบบคงที่สาธารณะ (วิธี String)
พารามิเตอร์
วิธี | สตริงที่ระบุวิธีการสุ่มตัวอย่างสำหรับการปรับขนาด อาจเป็น `"บิลิเนียร์"` หรือ `"ใกล้ที่สุด"` และตั้งค่าเริ่มต้นเป็น `"บิลิเนียร์"` ปัจจุบันรองรับวิธีการสุ่มตัวอย่างสองวิธี: Bilinear และ Nearest Neighbor |
---|