python - tensorflow 中的欧氏距离变换

Question

我想创建一个 tensorflow 函数，复制 euclidean distance transform我的 3 维张量中每个 2 维矩阵的 scipy。

我有一个三维张量，其中第三个轴代表一个单热编码特征。我想为每个特征维度创建一个矩阵，其中每个单元格中的值等于到最近特征的距离。

例子:

input = [[1 0 0]
         [0 1 0]
         [0 0 1],

         [0 1 0]
         [0 0 0]
         [1 0 0]]

output = [[0    1   1.41]
          [1    0   1   ]
          [1.41 1   0   ],

          [1    0   1   ]
          [1    1   1.41]
          [0    1   2   ]]              

我目前的解决方案是用 python 实现的。该方法遍历特征维度的每个单元格，在单元格周围创建一个环并搜索环是否包含特征。然后它计算单元格到每个特征条目的距离并取最小值。如果环中不包含具有特征的单元格，则搜索环会变宽。

代码:

import numpy as np
import math

def distance_matrix():
    feature_1 = np.eye(5)
    feature_2 = np.array([[0, 1, 0, 0, 0],
                  [0, 0, 0, 0, 0],
                  [0, 0, 0, 0, 0],
                  [1, 0, 0, 0, 0],
                  [0, 0, 0, 0, 0],])
    ground_truth = np.stack((feature_1,feature_2), axis=2)
    x = np.zeros(ground_truth.shape)

    for feature_index in range(ground_truth.shape[2]):
        for i in range(ground_truth.shape[0]):
            for j in range(ground_truth.shape[1]):
                x[i,j,feature_index] = search_ring(i,j, feature_index,0,ground_truth)
    print(x[:,:,0])

def search_ring(i, j,feature_index, ring_size, truth):
    if ring_size == 0 and truth[i,j,feature_index] == 1.:
                    return 0
    else:
        distance = truth.shape[0]
        y_min = max(i - ring_size, 0)
        y_max = min(i + ring_size, truth.shape[0] - 1)
        x_min = max(j - ring_size, 0)
        x_max = min(j + ring_size, truth.shape[1] - 1)

        if truth[y_min:y_max+1, x_min:x_max+1, feature_index].sum() > 0:
            for y in range(y_min, y_max + 1):
                for x in range(x_min, x_max + 1):
                    if y == y_min or y == y_max or x == x_min or x == x_max:
                        if truth[y,x,feature_index] == 1.:
                            dist = norm(i,j,y,x,type='euclidean')
                            distance = min(distance, dist)
            return distance
        else:
            return search_ring(i, j,feature_index, ring_size + 1, truth)

def norm(index_y_a, index_x_a, index_y_b, index_x_b, type='euclidean'):
    if type == 'euclidean':
        return math.sqrt(abs(index_y_a - index_y_b)**2 + abs(index_x_a - index_x_b)**2)
    elif type == 'manhattan':
        return abs(index_y_a - index_y_b) + abs(index_x_a - index_x_b)


def main():
    distance_matrix()
if __name__ == '__main__':
    main()

我的问题是在 Tensorflow 中复制它，因为我需要它用于 Keras 中的自定义损失函数。如何访问我正在迭代的项目的索引？

Answer 1

我看不出你在 keras 中使用距离变换有任何问题，基本上，你只需要 tf.py_func ，它将现有的 python 函数包装到 tensorflow 运算符。

但是，我认为这里的根本问题是反向传播。您的模型在前向传播中会有任何问题，但您希望传播什么梯度？或者你根本不关心它的梯度。