matrix_nms

paddle.fluid.layers.matrix_nms ( bboxes, scores, score_threshold, post_threshold, nms_top_k, keep_top_k, use_gaussian=False, gaussian_sigma=2., background_label=0, normalized=True, return_index=False, name=None ) [源代码]

Matrix NMS

该OP使用Matrix NMS算法对边界框（bounding box）和评分（scores）执行多类非极大值抑制（NMS）。

如果提供 score_threshold 阈值且 nms_top_k 大于-1，则选择置信度分数最大的k个框。 然后按照Matrix NMS算法对分数进行衰减。经过抑制后，如果 keep_top_k 大于-1, 则每张图片最终保留 keep_top_k 个检测框。

在NMS步骤后，如果keep_top_k大于-1，则每个图像最多保留keep_top_k个框（bounding box）。

参数：

• bboxes (Variable) - 形为[N，M，4]的3-D张量，表示将预测M个边界框的预测位置， N是批大小（batch size）。当边界框(bounding box)大小等于4时，每个边界框有四个坐标值，布局为[xmin，ymin，xmax，ymax]。数据类型为float32或float64。

• scores (Variable) – 形为[N，C，M]的3-D张量，表示预测的置信度。 N是批大小（batch size），C是种类数目，M是边界框bounding box的数量。对于每个类别，存在对应于M个边界框的总M个分数。请注意，M等于bboxes的第二维。数据类型为float32或float64。

• score_threshold (float) – 过滤掉低置信度分数的边界框的阈值。

• post_threshold (float) – 经过NMS衰减后，过滤掉低置信度分数的边界框的阈值。

• nms_top_k (int) – 基于 score_threshold 的过滤检测后，根据置信度保留的最大检测次数。

• keep_top_k (int) – 经过NMS抑制后, 最终保留的最大检测次数。如果设置为 -1 ，则则保留全部。

• use_gaussian (bool) – 是否使用高斯函数衰减。默认值：False 。

• gaussian_sigma (float) – 高斯函数的Sigma值，默认值：2.0 。

• background_label (int) – 背景标签（类别）的索引，如果设置为 0 ，则忽略背景标签（类别）。如果设置为 -1 ，则考虑所有类别。默认值：0

• normalized (bool) – 检测是否已经经过正则化。默认值：True 。

• return_index (bool) – 是否同时返回保留检测框的序号。默认值：False 。

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

返回：

• Out (Variable) - 形为[No，6]的2-D LoDTensor，表示检测结果。每行有6个值：[标签label，置信度confidence，xmin，ymin，xmax，ymax]。或形为[No，10]的2-D LoDTensor，用来表示检测结果。 每行有10个值：[标签label，置信度confidence，x1，y1，x2，y2，x3，y3，x4，y4]。 No是检测的总数。 如果对所有图像都没有检测到的box，则lod将设置为{1}，而Out仅包含一个值-1。 （1.3版本之后，当未检测到box时，lod从{0}更改为{1}）

• Index (Variable) - 形为[No，1]的2-D LoDTensor，表示检测结果在整个批次中的序号。

代码示例

import paddle.fluid as fluid
boxes = fluid.data(name='bboxes', shape=[None,81, 4],
                          dtype='float32', lod_level=1)
scores = fluid.data(name='scores', shape=[None,81],
                          dtype='float32', lod_level=1)
out = fluid.layers.matrix_nms(bboxes=boxes,
                              scores=scores,
                              background_label=0,
                              score_threshold=0.5,
                              post_threshold=0.1,
                              nms_top_k=400,
                              keep_top_k=200,
                              normalized=False)