使用 TensorFlow 寻找局部最大值

Question

我正在寻找一种方法来专门使用 TensorFlow 获取张量的局部最大值的索引。

tl;dr

我不是数据科学家。我不太了解计算机视觉背后的理论，但我正在尝试使用 TensorFlow 构建计算机视觉应用程序。我计划保存我的模型并使用 TF Serving 将其作为服务调用，因此我不能依赖外部库，例如 numpy、scipy 等。我想要完成的算法在算法上与 [=21 相同=] 的 signal.argrelextrema，但可以与我的模型一起保存并重新运行。 here 显示了其他算法，但 none 在 TensorFlow 中执行。谁能指出我正确的方向？

Answer 1

我认为您提供的信息不足以澄清很多问题。首先，我不确定你是想获取 Tensor 的最大元素（tf 中有一个函数用于此）还是想找到函数（不是 Tensor）的局部最大值。在这种情况下，您可以还原函数并找到局部最小值，这将导致您正在寻找的结果。

Answer 2

编辑

我的第一个解决方案是可行的，但效率低下。它需要张量的五次迭代（零轨迹、反向、零轨迹、反向、哪里）。我现在有一个只需要两次迭代的解决方案，而且也足够灵活，可以快速识别局部最小值...

def get_slope(prev, cur):
    # A: Ascending
    # D: Descending
    # P: PEAK (on previous node)
    # V: VALLEY (on previous node)
    return tf.cond(prev[0] < cur, lambda: (cur, ascending_or_valley(prev, cur)), lambda: (cur, descending_or_peak(prev, cur)))

def ascending_or_valley(prev, cur):
    return tf.cond(tf.logical_or(tf.equal(prev[1], 'A'), tf.equal(prev[1], 'V')), lambda: np.array('A'), lambda: np.array('V'))

def descending_or_peak(prev, cur):
    return tf.cond(tf.logical_or(tf.equal(prev[1], 'A'), tf.equal(prev[1], 'V')), lambda: np.array('P'), lambda: np.array('D'))

def label_local_extrema(tens):
    """Return a vector of chars indicating ascending, descending, peak, or valley slopes"""
    # initializer element values don't matter, just the type.
    initializer = (np.array(0, dtype=np.float32), np.array('A'))
    # First, get the slope for each element
    slope = tf.scan(get_slope, tens, initializer)
    # shift by one, since each slope indicator is the slope
    # of the previous node (necessary to identify peaks and valleys)
    return slope[1][1:]

def find_local_maxima(tens):
    """Return the indices of the local maxima of the first dimension of the tensor"""
    return tf.squeeze(tf.where(tf.equal(label_local_extrema(blur_x_tf), 'P')))

结束编辑

好的，我设法找到了解决方案，但它并不完美。以下函数采用一维张量，并将所有不是局部最大值的点减少为零。这仅适用于正数，并且需要修改 float32 以外的数据类型，但它满足我的需要。

不过，必须有更好的方法来做到这一点。

def zero_descent(prev, cur):
    """reduces all descent steps to zero"""
    return tf.cond(prev[0] < cur, lambda: (cur, cur), lambda: (cur, 0.0))

def skeletonize_1d(tens):
    """reduces all point other than local maxima to zero"""
    # initializer element values don't matter, just the type.
    initializer = (np.array(0, dtype=np.float32), np.array(0, dtype=np.float32))
    # First, zero out the trailing side
    trail = tf.scan(zero_descent, tens, initializer)
    # Next, let's make the leading side the trailing side
    trail_rev = tf.reverse(trail[1], [0])
    # Now zero out the leading (now trailing) side
    lead = tf.scan(zero_descent, trail_rev, initializer)
    # Finally, undo the reversal for the result
    return tf.reverse(lead[1], [0])

def find_local_maxima(tens):
    return tf.where(skeletonize_1d >0)

Answer 3

伪：

input_matrix == max_pool(input_matrix)

解释：

当输入值与max_pooling取的值相同时，表示它们是周围最大的。

使用 TensorFlow 寻找局部最大值

Finding local maxima with TensorFlow

python

signal-processing

computer-vision

data-science

tensorflow