在较大的布尔张量/数组中查找 2D 布尔模式

【问题标题】：Finding 2D boolean patterns in larger boolean tensors/arrays在较大的布尔张量/数组中查找 2D 布尔模式
【发布时间】：2021-11-06 22:32:10
【问题描述】：

我正在寻找一种使用 pytorch 或 numpy 在 MxNxR 张量/数组中查找 2D 模式的方法。例如，查看布尔模式的张量字典（例如 {6x6 : freq}）是否存在于更大的布尔张量（例如 3x256x256）中。

然后我想更新字典的模式和频率。

我希望有一种 pytorchi 方式来做这件事，而不是在它上面有循环，或者有一个优化的循环来做它。

据我所知，当我们有一个标量值时，torch.where 有效。如果我有一个 6x6 的张量而不是一个值，我不知道该怎么做。我查看了 Finding Patterns in a Numpy Array ，但我认为将其用于 2D 模式是不可行的。

【问题讨论】：

【解决方案1】：

我在想也许你可以使用卷积来解决这个问题。假设您有一个由0 和1 组成的输入。在这里，我们将举一个 u=input 为 3x3 和 2x2 模式的最小示例：

>>> x = torch.tensor([[1., 0., 0.],
                      [0., 1., 0.],
                      [1., 0., 0.]])

模式是：

>>> pattern = torch.tensor([[1., 0.],
                            [0., 1.]])

这里的模式可以在输入的左上角找到。

我们以nn.functional.conv2d 和1 - pattern 作为内核执行卷积。

>>> img, mask = x[None, None], pattern[None, None]
>>> M = F.conv2d(img, 1 - mask)
tensor([[[[0., 1.],
          [2., 0.]]]])

当且仅当结果等于模式中1s 的数量时才匹配：

>>> M == mask.sum(dim=(2,3)))
tensor([[[[ True, False],
          [False, False]]]])

您可以从这个最终的布尔掩码中推断出频率。您可以通过在卷积中添加内核来将此方法扩展到多种模式。

【讨论】：