roi_align_rotated

接口原型

mx_driving.roi_align_rotated(Tensor feature_map, Tensor rois, float spatial_scale,
                             int sampling_ratio, int pooled_height, int pooled_width, bool aligned, bool clockwise) -> Tensor

功能描述

计算旋转候选框的RoI Align池化特征图。

参数说明

• feature_map(Tensor)：特征图张量，数据类型为float32，形状为[B, C, H, W]。
• rois(Tensor)：感兴趣区域张量，数据类型为float32，形状为[n, 6]。
• spatial_scale(float)：感兴趣区域边界框的缩放率，数据类型为float32。
• sampling_ratio(int)：采样率，数据类型为int。取值范围为非负整数。
• pooled_height(int)：池化特征图高度，数据类型为int。
• pooled_width(int)：池化特征图宽度，数据类型为int。
• aligned(bool)：是否对齐，数据类型为bool。值为True时，表示对齐, 值为False时，表示不对齐。
• clockwise(bool)：旋转候选框的旋转方向，数据类型为bool。值为True时，表示逆时针旋转，值为False时，表示顺时针旋转。

返回值

• output(Tensor)：池化特征图张量，数据类型为float32，形状为[n, C, pooled_height, pooled_width]。

支持的型号

• Atlas A2 训练系列产品

调用示例

import math
import torch, torch_npu
import numpy as np
from mx_driving import roi_align_rotated

feature_map = torch.rand([1, 3, 16, 16])
feature_map.requires_grad = True

rois = torch.Tensor(8, 6)
rois[:, 0] = torch.randint(0, 1, (8,))
rois[:, 1].uniform_(0, 16)
rois[:, 2].uniform_(0, 16)
rois[:, 3].uniform_(0, 16)
rois[:, 4].uniform_(0, 16)
rois[:, 5].uniform_(0, math.pi)

output = roi_align_rotated(feature_map.npu(), rois.npu(), 1, 1, 7, 7, True, True)
output.backward(torch.ones_like(output))

其他说明

在双线性插值采样过程中，当采样点x接近-1或W位置，y接近-1或H位置时，由于平台差异和计算误差，可能导致该采样点的精度无法与竞品精度完全对齐。 在反向梯度回传过程中，由于涉及到原子累加与浮点数大数吃小数问题，当特征图上某个点梯度回传次数大于15000时，可能导致该点计算结果波动，无法与竞品精度完全对齐。