collect_fpn_proposals

paddle.fluid.layers. collect_fpn_proposals ( multi_rois, multi_scores, min_level, max_level, post_nms_top_n, name=None ) [源代码]

该op仅支持LoDTensor输入。连接多级RoIs（感兴趣区域）并依据multi_scores选择N个RoIs。此操作执行以下步骤： 1、选择num_level个RoIs和scores作为输入：num_level = max_level - min_level 2、连接num_level个RoIs和scores。 3、对scores排序并选择post_nms_top_n个scores。 4、通过scores中的选定位置收集RoIs。 5、通过对应的batch_id重新对RoIs排序。

参数：

  • multi_rois (list) – 要收集的RoIs列表，列表中的元素为[N, 4]的2-D LoDTensor, 数据类型为float32或float64，其中N为RoI的个数。

  • multi_scores (list) - 要收集的RoIs对应分数的列表，列表中的元素为[N, 1]的2-D LoDTensor, 数据类型为float32或float64，其中N为RoI的个数。

  • min_level (int) - 要收集的FPN层的最低级

  • max_level (int) – 要收集的FPN层的最高级

  • post_nms_top_n (int) – 所选RoIs的数目

  • name (str，可选) – 具体用法请参见 Name ，一般无需设置，默认值为None。

返回：表示选定具有高分数的RoIs的LoDTensor，数据类型为float32或float64，同时具有LoD信息，维度为[M, 4]，其中M为post_nms_top_n。

返回类型：Variable

代码示例

  1. import paddle.fluid as fluid
  2. multi_rois = []
  3. multi_scores = []
  4. for i in range(4):
  5.     multi_rois.append(fluid.data(
  6.         name='roi_'+str(i), shape=[None, 4], dtype='float32', lod_level=1))
  7. for i in range(4):
  8.     multi_scores.append(fluid.data(
  9.         name='score_'+str(i), shape=[None, 1], dtype='float32', lod_level=1))
  11. fpn_rois = fluid.layers.collect_fpn_proposals(
  12.     multi_rois=multi_rois,
  13.     multi_scores=multi_scores,
  14.     min_level=2,
  15.     max_level=5,
  16.     post_nms_top_n=2000)