tf.raw_ops.StatelessSampleDistortedBoundingBox

Генерирует случайно искажённую рамку для изображения детерминированным образом.

tf.raw_ops.StatelessSampleDistortedBoundingBox(
    image_size,
    bounding_boxes,
    min_object_covered,
    seed,
    aspect_ratio_range=[0.75, 1.33],
    area_range=[0.05, 1],
    max_attempts=100,
    use_image_if_no_bounding_boxes=False,
    name=None
)

Аннотации границ часто предоставляются дополнительно к фактическим меткам в задачах распознавания изображений или локализации объектов. Распространённый приём для обучения такой системы заключается в случайном искажении изображения при сохранении его содержимого, то есть усиление данных. Данный оператор, при предоставлении тех же seed, детерминированно выводит случайно искажённое расположение объекта, т. е. рамку, на основе image_size, bounding_boxes и ряда ограничений.

Выходной результат этого оператора — единственная рамка, которая может быть использована для обрезки исходного изображения. Результат возвращается в виде 3 тензоров: begin, size и bboxes. Первые 2 тензора могут быть напрямую переданы в tf.slice для обрезки изображения. Последний может быть передан в tf.image.draw_bounding_boxes для визуализации рамки.

Рамки предоставляются и возвращаются в виде [y_min, x_min, y_max, x_max]. Координаты границ — это числа с плавающей точкой в [0.0, 1.0] относительно ширины и высоты основного изображения.

Выход этого оператора гарантированно будет таким же при одинаковых seed и независим от того, сколько раз вызывается функция, и от настроек глобального зерна (например, tf.random.set_seed).

Пример использования:

image = np.array([[[1], [2], [3]], [[4], [5], [6]], [[7], [8], [9]]])
bbox = tf.constant(
  [0.0, 0.0, 1.0, 1.0], dtype=tf.float32, shape=[1, 1, 4])
seed = (1, 2)
# Generate a single distorted bounding box.
bbox_begin, bbox_size, bbox_draw = (
  tf.image.stateless_sample_distorted_bounding_box(
    tf.shape(image), bounding_boxes=bbox, seed=seed))
# Employ the bounding box to distort the image.
tf.slice(image, bbox_begin, bbox_size)
<tf.Tensor: shape=(2, 2, 1), dtype=int64, numpy=
array([[[1],
        [2]],
       [[4],
        [5]]])>
# Draw the bounding box in an image summary.
colors = np.array([[1.0, 0.0, 0.0], [0.0, 0.0, 1.0]])
tf.image.draw_bounding_boxes(
  tf.expand_dims(tf.cast(image, tf.float32),0), bbox_draw, colors)
<tf.Tensor: shape=(1, 3, 3, 1), dtype=float32, numpy=
array([[[[1.],
         [1.],
         [3.]],
        [[1.],
         [1.],
         [6.]],
        [[7.],
         [8.],
         [9.]]]], dtype=float32)>

Обратите внимание, что если информация о рамках недоступна, установка use_image_if_no_bounding_boxes = true предполагает наличие единственной неявной рамки, покрывающей всё изображение. Если use_image_if_no_bounding_boxes имеет значение false и рамки не предоставлены, генерируется ошибка.