python - 如何在 tensorflow 中实现图像(二维数组)序列滑动窗口？

Question

上下文

我们将数据存储在.tfrecord 文件中，X 是我们的训练数据> 40x40 灰度图像和Y: 是标签。这些图像按顺序排列(顺序很重要)。我们想使用 Tensorflows Estimator API 输入这些图像，以使用 GoogleML 训练具有各种时间窗口大小和偏移的神经网络模型(例如:LSTM)。

问题

如何将输入的特征字符串 reshape 为一定长度的序列，例如将 1000 图像放入一个序列中，然后对这些序列执行窗口操作，例如获取包含 50 个图像的窗口，窗口偏移 25？

当前状态

我们已经设法实现了这一点(下面的稀疏示例)，而无需首先重新整形为 1000 个长度集，但随后结果是从一个集合的元素 975 到下一个集合的元素 25 的窗口，我们这样做不想。 我们需要从每组 1000 图像的开始到结束的重叠窗口，但不能跨越它们的边界。

import tensorflow as tf

# .tfrecord file consisting of data 'X' and labels 'Y'
dataset = tf.data.TFRecordDataset('.tfrecord file')

# define parse function for dataset.map function
def _parse_function(proto):
    # define constants for parsing
    image_size = 40
    num_channels = 1
    num_classes = 3


    # define your tfrecord feature keys and 
    # reshape 1D arrays into 2D arrays (images)
    keys_to_features = {'X': tf.FixedLenFeature([image_size, image_size, num_channels], tf.float32),  # image height, image width, num_channels
                    'Y': tf.FixedLenFeature([], tf.int64)}

    # Load one example
    parsed_features = tf.parse_single_example(proto, keys_to_features)

    # extract image and labels
    image = parsed_features['X']
    labels = tf.cast( parsed_features['Y'], tf.int32 )
    labels = tf.one_hot( labels, depth=num_classes )  # one hot encoding

    return image, labels

# reshape the data into parse format
dataset = dataset.map(_parse_function)

# define dataset parameters
window_size = 50
batch_size = 500
window_shift = int( window_size / 2 )  # 25

# implement sliding window 
dataset = dataset.window(size=window_size, shift=window_shift, drop_remainder=True ).flat_map( lambda x: x.batch(window_size) )

# batch the data
dataset = dataset.batch(batch_size)

# create an iterator
# iterator = dataset.make_one_shot_iterator().get_next()

上面的迭代器将为X数据返回一个形状张量(batch_size, window_size, image_height, image_width, number of channels)，在我们的例子中( 500, 50, 40, 40, 1) 和 Y 作为 (500, 3) 数组。

Answer 1

我设法通过过滤掉跨越边界的窗口来做到这一点。获得解析后的功能后，对所有内容应用窗口，然后计算哪些窗口溢出并将其过滤掉:

ds = tf.data.TFRecordDataset( filename )
ds = ds.map( _parse_function )

# apply windowing
ds = ds.window( size=50, shift=25, drop_remainder=True ).flat_map( lambda x, y: tf.data.Dataset.zip( (x.batch(50), y.batch(50)) ) )
# enumerate dataset and filter every 40th window
ds = ds.apply( tf.data.experimental.enumerate_dataset(start=1) ).filter( lambda i, x: tf.not_equal( i % 40, 0) )
# get rid of enumerations
ds = ds.map( lambda i, x: x )

# batching, shuffling etc...
...

澄清:过滤掉每 40 个窗口，因为如果您有 1000 组和 25 个窗口偏移，将有 set_len/win_shift = 40 个窗口，最后一个(即第 40 个)将是溢出到下一组。另请注意，枚举从 1 开始，因此不会取出第 0 个样本，因为 0 % x == 0。

请注意，这与其说是一个真正的解决方案，不如说是一种黑客攻击。它适用于 50% 的重叠，但在其他百分比下，计算要丢弃的索引会变得更加复杂(如果重叠 >50%，则不止一个窗口会溢出到下一组，因此需要多个过滤器)。