tf.image.non_max_suppression(
boxes,
scores,
max_output_size,
iou_threshold=0.5,
score_threshold=float('-inf'),
name=None
)
贪婪地选择按得分降序排列的边界框子集。删除与先前选择的框具有高交叉-过度联合(IOU)重叠的框。边界框以[y1, x1, y2, x2]的形式提供,其中(y1, x1)和(y2, x2)为任意对角对角框角的坐标,坐标可以标准化(即,位于区间[0,1]或绝对区间。注意,这个算法不知道原点在坐标系中的什么位置。注意,这个算法对于坐标系的正交变换和平移是不变的;因此,坐标系统的平移或反射会导致算法选择相同的框。这个操作的输出是一组整数,索引到表示所选框的边界框的输入集合中。然后使用tf可以获得与所选索引对应的边界框坐标。收集操作。例如:selected_indices = tf.image。non_max_suppression(box, scores, max_output_size, iou_threshold)选择ted_boxes = tf。收集(盒、selected_indices)
参数:
scores
: 形状[num_boxes]的一维浮点张量,表示每个盒子(每行盒子)对应的单个分数。返回值:
原链接: https://tensorflow.google.cn/versions/r1.9/api_docs/python/tf/image/non_max_suppression?hl=en