De computação a distância da imagem incorporação contra um grupo de imagem incorporações

Question 1

A maneira correta de obter a distância de uma imagem de incorporação contra a lista/grupo de uma outra imagem de incorporação?

Eu tenho um pretrained modelo que estou usando para extrair incorporações a partir de imagens, e eu gostaria de obter a distância de uma imagem contra algumas outras imagens i.e.

Embedding (1028,) against Embedding (5, 1028)

Eu estou tentando fazer uma imagem semelhança experimento onde estou usando o co-seno da métrica de similaridade Tensorflow para calcular a distância entre dois incorporação, e funciona bem em uma escala de 1-para-1 de computação i.e.

Embedding_1 = (1028,)
Embedding_2 = (1028,)
metrics.CosineSimilarity(Embedding_1, Embedding_2)

mas eu não consigo descobrir como fazer isso em um 1-para-N distância de cálculo.

Embedding_1 = (1028,)
Embedding_Group = [(1028,),(1028,),(1028,),(1028,),(1028,)]

Question 2

Isso poderia ser feito com a radiodifusão. Iteração através de imagens e computação a distância para cada par é má idéia, neste caso, desde que ele não vai ser paralelizado (a menos que você saiba como fazê-lo sozinho).

import tensorflow as tf

embedding = tf.constant([1., 1.]) # your shape here is (1028,) instead of (2,)
embedding_group = tf.constant([[1., 1.], [1., 2.], [0., 1.]]) # your shape here is (5, 1028) instead of (3, 2)
norm_embedding = tf.nn.l2_normalize(embedding[None, ...], axis=-1)
norm_embedding_group = tf.nn.l2_normalize(embedding_group, axis=-1)
similarity = tf.reduce_sum(norm_embedding * norm_embedding_group, axis=-1) # cosine similarity of same shape as number of samples

print(norm_embedding.numpy())
print(norm_embedding_group.numpy())
print(similarity.numpy())
# [[0.7071067 0.7071067]]
# [[0.7071067  0.7071067 ]
#  [0.44721356 0.8944271 ]
#  [0.         1.        ]]
# [0.9999998  0.94868314 0.7071067 ]

Vlad · Answer 1 · 2021-11-22T13:22:59

Isso poderia ser feito com a radiodifusão. Iteração através de imagens e computação a distância para cada par é má idéia, neste caso, desde que ele não vai ser paralelizado (a menos que você saiba como fazê-lo sozinho).

import tensorflow as tf

embedding = tf.constant([1., 1.]) # your shape here is (1028,) instead of (2,)
embedding_group = tf.constant([[1., 1.], [1., 2.], [0., 1.]]) # your shape here is (5, 1028) instead of (3, 2)
norm_embedding = tf.nn.l2_normalize(embedding[None, ...], axis=-1)
norm_embedding_group = tf.nn.l2_normalize(embedding_group, axis=-1)
similarity = tf.reduce_sum(norm_embedding * norm_embedding_group, axis=-1) # cosine similarity of same shape as number of samples

print(norm_embedding.numpy())
print(norm_embedding_group.numpy())
print(similarity.numpy())
# [[0.7071067 0.7071067]]
# [[0.7071067  0.7071067 ]
#  [0.44721356 0.8944271 ]
#  [0.         1.        ]]
# [0.9999998  0.94868314 0.7071067 ]

De computação a distância da imagem incorporação contra um grupo de imagem incorporações

Pergunta

Melhor resposta

Em outros idiomas

Esta página está em outros idiomas

Popular nesta categoria

Perguntas populares nesta categoria