主要内容

roialign

的非量化ROI池dlarray数据

折叠所有页面

语法

dlY = roialign(dlX,boxes,outputSize)
dlY = roialign(dlX,boxes,outputSize,Name=Value)

描述

ROI对齐操作将矩形ROI池到固定大小的容器中，而不将网格点量化到最近的像素。该函数使用双线性插值来推断每个网格点的值。

给定大小为[HWCN),C是通道数和N是观测的数量，合并后的深度学习数据有大小[hwC总和（米),h而且w是指定的输出大小。米向量是长度的吗N而且米（我)为与。相关的roi数目我th观察。

请注意

中执行ROI池layerGraph(深度学习工具箱)对象或层(深度学习工具箱)数组,使用roiAlignLayer．

此功能需要深度学习工具箱™。

例子

海底= roialign (dlX，盒子，outputSize）沿着输入的空间维度执行池化操作X对于每个包围框盒子．的输出,Y，大小不一outputSize．

海底= roialign (dlX，盒子，outputSize，名称=值）指定附加的名称-值参数。

例子

全部折叠

这个例子使用了:

打开实时脚本

创建一个4-D格式dlarray对象，模拟两个RGB图像的批处理。

X = dlarray(rand(10,10,3,2)，“SSCB”）;

指定一个包围框的位置和批索引。

startXY = [2 2];endXY = [4 4];batchIdx = 1;rois = [startXY endXY batchIdx]';

执行ROI池，输出大小为3 × 3。

Y = roialign(X,rois，[3 3])
Y = 3(S) × 3(S) × 3(C) × 1(B)单元(:，:，1)= 0.7464 0.3069 0.1780 0.9212 0.8491 0.4677 0.7303 0.9057 0.3840 (:，:，2)= 0.3024 0.6428 0.6594 0.1542 0.0046 0.1228 0.6295 0.5182 0.3304 (:，:，3)= 0.4915 0.7590 0.5035 0.4574 0.4302 0.5453 0.2960 0.2666 0.5389

输入参数

全部折叠

深度学习数据池，指定为4-D格式dlarray(深度学习工具箱)对象，数据格式为“SSCB”。

边界框，指定为5 × -N数字矩阵，N是包围框的数量。每个包围框都被格式化为[x_start；y_start；x_end；y_end；batchIdx),地点:

  • x_start而且y_start指定矩形左上角的(x,y)坐标。

  • x_end而且y_end指定矩形右下角的(x,y)坐标。

  • batchIdx指定与矩形对应的观察结果的索引。

默认情况下,盒子是否与输入的深度学习数据在同一坐标空间和尺度内dlX．

池输出大小，指定为两个正整数的向量[w h],在那里h是高度和w是宽度。

名称-值参数

指定可选参数对为Name1 = Value1,…,以=家,在那里的名字参数名称和价值对应的值。名称-值参数必须出现在其他参数之后，但对的顺序无关紧要。

例子:dlY = roialign(dlX,boxes,outputSize,ROIScale=2)将输入roi按2倍的比例缩放

输入特征映射的比例尺与ROI坐标的比例尺之比。这个比率指定用于将输入roi缩放到输入特征映射大小的因子。

每个池存储箱中的样本数量，指定为“汽车”或者两个正整数组成的行向量。这两个元素分别是垂直和水平样本数。

如果不指定抽样比，则垂直抽样数为默认值(即:roiHeight/outputHeight）．同样，水平采样的数量具有默认值(即:roiWidth/outputWidth）．

数据类型:双|字符

输出参数

全部折叠

汇总深度学习数据，以4-D格式返回dlarray(深度学习工具箱)对象，数据格式为“SSCB”。

更多关于

全部折叠

ROI对齐

ROI对齐操作为输入中的每个矩形ROI返回固定大小的特征映射dlarray．该函数首先将ROI划分为固定大小的容器OutputSize没有量化格点。每个箱子在SamplingRatio的位置。每个采样点的值是用双线性插值推断出来的。采样值的平均值将作为每个池化bin的输出值返回。

扩展功能

版本历史

R2021b中引入

另请参阅

(深度学习工具箱)|||

主题