《表4 解析方法的时间复杂度比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《融合视觉风格和标签约束的少数民族服装图像解析》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:加粗字体表示最优结果，N为标签数。

N整个深度神经网络的时间复杂度为其中N是整个网络的深度，即卷积层数，n表示第n个卷积层，M2n表示第n个卷积核输出的特征图面积，K2n表示第n个卷积核面积，Cn表示第n个卷积层的输出通道数。由于时间复杂度受网络深度的影响较大，因此根据卷积层层数按高、中、低对时间复杂度进行衡量评价，大于30层为高，10 30层为中，小于10层为低。表4给出了本文方法与对比的深度学习方法的时间复杂度对比。Khurana等人（2018）的网络框架以全卷积网络（fully convolutional networks，FCN）为基础，共19个卷积层；M-CNN（Liu等，2015）的卷积层层数受语义标签数影响，导致时间复杂度较高；ATR（Liang等，2015a）中主动模板网络和主动形状网络各有5个卷积层；Co-CNN（Liang等，2015b）共19个卷积层。本文方法共28个卷积层，相较于其他典型网络算法，本文在获得精度更好的解析结果下，具有相对较好的时间复杂度。