《表4 解析方法的时间复杂度比较》
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。
图表编号 | XD00216437800 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.16 |
作者 | 张茜、刘骊、甘霖、付晓东、刘利军、黄青松 |
绘制单位 | 昆明理工大学信息工程与自动化学院、昆明理工大学信息工程与自动化学院、云南省计算机技术应用重点实验室、昆明理工大学信息工程与自动化学院、昆明理工大学信息工程与自动化学院、云南省计算机技术应用重点实验室、昆明理工大学信息工程与自动化学院、云南省计算机技术应用重点实验室、昆明理工大学信息工程与自动化学院、云南省计算机技术应用重点实验室 |
更多格式 | 高清、无水印(增值服务) |