是否可以在Tensorflow中计算矩形之间的重叠？
我是TensorFlow新手。
我正在开发一个神经网络，它输出N个矩形的两个相对角点的(x，y)坐标。
我正在考虑实现一个考虑预测矩形之间重叠的成本函数，因为它们根本不是要重叠的，但使用MSE的简单成本函数会导致一些重叠。
我想知道是否有可能，因为如果Tensorflow可以计算这些计算的梯度以最小化成本函数，那么它可能会很复杂。
注意，我想检查矩形1和矩形2到N之间的重叠，以及矩形2和矩形3到N之间的重叠，依此类推。
这是可能的，还是我只是后处理数据，并分离重叠的矩形更好？
提前谢谢你。
回答 2
Stack Overflow用户
发布于 2018-06-04 01:45:40
您可以使用修改版本的并集交点(IoU)条件。它主要用于图像检测，以检测图像中对象的位置，并允许丢弃网络最不确定的盒子。
在您的例子中，您希望最大化并集(当两个矩形不重叠时达到最大值)并最小化交集(理论上，您希望它为0)。因此，IoU必须最小化，在最好的情况下，它等于0。
要在TF中实现此功能，您可以执行以下操作：
cost = 0
for first in range(num_rectangles):
for second in range(first, num_rectangles)
cost = cost + compute_IoU(rect[first], rect[second])
cost = cost / num_rectanglesIoU有几种实现。一个是由TF itself提供的si。
Stack Overflow用户
发布于 2018-06-04 02:29:12
您可以通过使用最小和最大运算符支持广播这一事实来实现。
调整此输出coords的形状，使其具有(B, N, 2, 2)，其中B是批处理大小，N是矩形的数量。重叠的面积可以计算为
c1 = coords[:, None]
c2 = coords[:, :, None]
areas = tf.reduce_prod(tf.maximum(
tf.minimum(c1[..., 1], c2[..., 1]) - tf.maximum(c1[..., 0], c2[..., 0]), 0.), axis=-1)从那里你可以计算成本，而不是忘记照顾对角线元素(对应于矩形的面积)。例如，简单地对面积求和，
cost = tf.reduce_sum(areas) - tf.reduce_sum(tf.trace(areas))是的，你正在做一些额外的计算--对角线元素，而且重叠也被计算了两次--但我认为，与网络的其余部分相比，这应该是微不足道的，而且可能比基于循环的东西更快。
这一成本当然可以通过tensorflow自动区分。
https://stackoverflow.com/questions/50668389
复制相似问题